Estructura Tasa

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
ESCUELA DE INGENIERIA

ESTRUCTURAS DE TASAS DE
INTERS NOMINALES Y REALES
EN CHILE: ESTIMACIN DE
MODELOS ESTTICOS Y DE
MODELOS DINMICOS MEDIANTE
FILTRO DE KALMAN APLICADO
SOBRE PANELES DE DATOS
INCOMPLETOS
JAVIER IGNACIO GARCIA RIESCO
Tesis para optar al grado de Magster en Ciencias de la
Ingeniera
Profesor Supervisor:
GONZALO CORTZAR S.
Santiago de Chile, Octubre de 2003

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
ESCUELA DE INGENIERIA
Departamento de Ingeniera Industrial y Sistemas

ESTRUCTURAS DE TASAS DE
INTERS NOMINALES Y REALES EN
CHILE: ESTIMACIN DE MODELOS
ESTTICOS Y DE MODELOS
DINMICOS MEDIANTE FILTRO DE
KALMAN APLICADO SOBRE
PANELES DE DATOS INCOMPLETOS
JAVIER IGNACIO GARCIA RIESCO
Tesis presentada a la Comisin integrada por los profesores:

GONZALO CORTZAR S.
RICARDO PAREDES M.
AUGUSTO CASTILLO R.
HECTOR JORQUERA G.
Para completar las exigencias del grado de Magster en
Ciencias de la Ingeniera
Santiago de Chile, Octubre de 2003
ii

A Hernn, quin siempre ha estado
conmigo, y a Patricia, con quin
siempre espero estar.
iii
AGRADECIMIENTOS
Quiero agradecer a mi familia, especialmente a mis padres quienes a lo
largo de toda mi vida me han dado cario, apoyo y consejo. Nada de lo que he
logrado habra sido posible sin su apoyo. A mis hermanos Hernn, Felipe y Alvaro
que de una u otra forma me han entregado siempre su apoyo.
Tambin quiero agradecer a Patricia, quien ha estado permanentemente
apoyndome y ayudndome en todos los aspectos de mi vida, para lo cual ha
demostrado una paciencia y dedicacin encomiables.
Mis sinceros agradecimientos al profesor Gonzalo Cortzar,
especialmente por el tiempo y disposicin dedicados a la concrecin de este
proyecto. Muchas gracias por su orientacin y apoyo en los momentos decisivos de
este proceso.
Quiero agradecer al proyecto de investigacin Riskamerica.com y a
todos aquellos que trabajaron en l durante mi estada. Especial agradecimiento a
Lorenzo Naranjo, el cual siempre mostr una excelente disposicin ante cualquier
duda relacionada con mi trabajo. Hago extensivo el agradecimiento a Miguel, Eric y
Jorge con quines compart momentos memorables.
A su vez quiero agradecer el apoyo del Banco Santiago y de FONDEF
por la ayuda prestada para la realizacin de esta tesis.
Finalmente quiero agradecer al Departamento de Ingeniera Industrial y
Sistemas y a todos quienes trabajan junto a los alumnos de postgrado. Especiales
recuerdos guardar de mis compaeros de oficina Susana, Myriam y Jorge.

iv
INDICE GENERAL

DEDICATORIA.......................................................................................................................................... ii
AGRADECIMIENTOS.............................................................................................................................iii
INDICE DE TABLAS................................................................................................................................. x
INDICE DE FIGURAS............................................................................................................................. xv
RESUMEN................................................................................................................................................. xx
ABSTRACT.............................................................................................................................................. xxi
I INTRODUCCIN.............................................................................................................................. 1
II EL MERCADO CHILENO DE INSTRUMENTOS DE RENTA FIJA....................................... 6
2.1 TASAS DE INTERS E INFLACIN ................................................................................................ 6
2.2 CONCEPTOS BSICOS DE RENTA FIJA......................................................................................... 7
2.3 MERCADOS................................................................................................................................. 8
2.3.1 Mercado de Intermediacin Financiera (IF) ................................................................ 8
2.3.2 Mercado de Renta Fija (RF) ......................................................................................... 9
2.4 EMISORES................................................................................................................................... 9
2.4.1 Banco Central de Chile (BC) ........................................................................................ 9
2.4.2 Estado de Chile........................................................................................................... 11
2.4.3 Emisores Corporativos ............................................................................................... 13
2.5 INSTRUMENTOS EMITIDOS POR EL BANCO CENTRAL................................................................ 14
2.5.1 Instrumentos ligados a la Tasas de Inters Nominales............................................... 14
2.5.2 Instrumentos ligados a las Tasas de Inters Reales.................................................... 15
2.5.3 Otros Instrumentos del Banco Central........................................................................ 16
2.6 PARTICULARIDADES DEL MERCADO CHILENO ......................................................................... 16
2.6.1 Medios de Pago........................................................................................................... 16
2.6.2 Restriccin de Reserva Tcnica .................................................................................. 17
2.6.3 Exigencias para la Operacin en el Mercado Primario............................................. 18

v
III MODELOS ESTTICOS DE ESTRUCTURAS DE TASAS DE INTERS............................. 19
3.1. BONOS Y TASAS DE INTERS.................................................................................................... 20
3.2. AJUSTE DE CURVAS.................................................................................................................. 21
3.2.1. Bootstrap..................................................................................................................... 21
3.2.2. Splines......................................................................................................................... 22
3.3. MTODOS PARSIMONIOSOS...................................................................................................... 25
3.3.1 Modelo de Nelson & Siegel......................................................................................... 25
3.3.2 Modelo de Svensson.................................................................................................... 26
3.4. EXACTITUD DEL AJUSTE VS. INTERPRETACIN ECONMICA.................................................... 27
3.5. ESTUDIOS ANTERIORES............................................................................................................ 27
3.6. EL CASO CHILENO ................................................................................................................... 28
IV ESTIMACIN ESTTICA DE ESTRUCTURAS DE TASAS DE INTERS NOMINAL..... 29
4.1 DATOS...................................................................................................................................... 29
4.1.1 Descripcin de la Muestra Utilizada .......................................................................... 29
4.1.2 Correccin de los Datos por Efectos de Medios de Pago........................................... 30
4.1.3 Uso de un Ancla en el Corto Plazo ............................................................................. 33
4.2 METODOLOGA DE ESTIMACIN DE LA ESTRUCTURA DE TASAS DE INTERS ........................... 34
4.3 INTERFAZ COMPUTACIONAL DE LA ESTIMACIN...................................................................... 35
4.4 RESULTADOS DE LA ESTIMACIN............................................................................................. 35
4.4.1 Errores de Ajuste en la Estimacin dentro de la Muestra .......................................... 35
4.4.2 Errores de Ajuste Fuera de Muestra........................................................................... 41
4.4.3 Errores de Ajuste en Das Seleccionados ................................................................... 42
4.4.4 Volatilidades Estimadas.............................................................................................. 44
4.4.5 Estructuras de Tasas de Inters Nominales Estimadas............................................... 49
4.5 CONCLUSIONES PRELIMINARES PARA LA ESTIMACIN DE ETI NOMINALES MEDIANTE
MODELOS ESTTICOS ............................................................................................................................. 52

vi
V MODELOS DINMICOS DE ESTRUCTURAS DE TASAS DE INTERS............................ 54
5.1. ARBITRAJE, VALORACIN NEUTRAL AL RIESGO Y DINMICA DE TASAS DE INTERS.............. 54
5.2. MODELOS ESTOCSTICOS DE TASAS DE INTERS..................................................................... 56
5.2.1. Modelos de Equilibrio................................................................................................. 57
5.2.2. Modelos de Arbitraje .................................................................................................. 57
5.2.3. Nuevas Teoras............................................................................................................ 58
5.3. MODELOS DINMICOS DE LA TASA DE INTERS DE CORTO PLAZO.......................................... 59
5.3.1. Modelos de un Factor con Parmetros Invariantes en el Tiempo .............................. 59
5.3.2. Modelos de un Factor con Parmetros Dependientes del Tiempo ............................. 62
5.3.3. Modelos Multifactoriales ............................................................................................ 64
5.4. MODELO DE COX, INGERSOLL Y ROSS...................................................................................... 67
5.4.1. Equilibrio General de la Economa ............................................................................ 67
5.4.2. Proceso Dinmico de Tasas de un Factor de CIR..................................................... 69
5.4.3. Extensin Multifactorial de CIR ................................................................................. 70
5.4.4. Generalizacin Afn de CIR........................................................................................ 71
5.5. ESTUDIOS ANTERIORES EN CHILE ............................................................................................ 72
VI ESTIMACIN DE MODELOS DINMICOS DE TASAS DE INTERS MEDIANTE
FILTRO DE KALMAN............................................................................................................................ 74
6.1 MTODOS DE ESTIMACIN....................................................................................................... 75
6.1.1 Mtodo Generalizado de Momentos ........................................................................... 76
6.1.2 Mtodo Eficiente de Momentos................................................................................... 78
6.1.3 Simulacin de Cadenas de Markov por Mtodos Montecarlo .................................... 78
6.1.4 Otros Mtodos de Estimacin..................................................................................... 79
6.2 FILTRO DE KALMAN................................................................................................................. 80
6.2.1 Intuicin tras el Filtro de Kalman .............................................................................. 80
6.2.2 Espacio de Estados ..................................................................................................... 81
6.2.3 Estimacin del Filtro de Kalman ................................................................................ 82
6.2.4 Filtro de Kalman Extendido........................................................................................ 85
6.2.5 Funcin de Verosimilitud............................................................................................ 85

vii
6.3 APLICACIN DEL FILTRO DE KALMAN PARA UN MODELO CIR................................................. 87
6.3.1 Uso de un Filtro de Kalman No Lineal ....................................................................... 87
6.3.2 Estimacin por Cuasi Mxima Verosimilitud ............................................................. 88
6.3.3 Uso para Paneles de Datos Incompletos .................................................................... 88
6.4 ESTUDIOS ANTERIORES............................................................................................................ 89
VII ESTIMACIN DE MODELOS DINMICOS DEL TIPO COX-INGERSOLL-ROSS
PARA EL MERCADO CHILENO.......................................................................................................... 91
7.1 DATOS...................................................................................................................................... 91
7.1.1 Panel de Datos para Tasas de Inters Real ................................................................ 91
7.1.2 Panel de Datos para Tasas de Inters Nominal.......................................................... 92
7.2 METODOLOGA DE LA ESTIMACIN.......................................................................................... 92
7.2.1 Errores de Medicin ................................................................................................... 92
7.3 INTERFAZ COMPUTACIONAL DE LA ESTIMACIN...................................................................... 93
7.4 RESULTADOS PARA TASAS DE INTERS REAL .......................................................................... 94
7.4.1 Modelos Estimados ..................................................................................................... 94
7.4.2 Errores de Ajuste en la Estimacin dentro de la Muestra ........................................ 100
7.4.3 Errores Fuera de Muestra ........................................................................................ 104
7.4.4 Volatilidades Estimadas............................................................................................ 105
7.4.5 Comparacin de Modelos Dinmicos....................................................................... 106
7.5 RESULTADOS PARA TASAS DE INTERS NOMINAL.................................................................. 112
7.5.1 Modelos Estimados ................................................................................................... 112
7.5.2 Errores de Ajuste en la Estimacin dentro de la Muestra ........................................ 115
7.5.3 Volatilidades Estimadas............................................................................................ 118
7.5.4 Comparacin de Estimaciones mediante Modelos Estticos vs. Estimaciones
mediante Modelos Dinmicos.......................................................................................................... 121
7.6 CONCLUSIONES PRELIMINARES.............................................................................................. 122
7.6.1 Tasas de Inters Real ................................................................................................ 122
7.6.2 Tasas de Inters Nominal.......................................................................................... 123
VIII CONCLUSIONES .................................................................................................................... 124
BIBLIOGRAFA..................................................................................................................................... 127

viii
ANEXO A : CARACTERIZACIN DEL MERCADO DE RENTA FIJA Y DE LOS
INSTRUMENTOS DEL BANCO CENTRAL DE CHILE................................................................. 137
A.1 CARACTERIZACIN DE LOS MERCADOS DE RENTA FIJA......................................................... 137
A.2 ASPECTOS GENERALES DE VALORIZACIN DE INSTRUMENTOS DE RENTA FIJA..................... 139
ANEXO B : LGEBRA DE LAS TASAS DE INTERS ............................................................ 149
ANEXO C: NOCIONES ELEMENTALES DE CLCULO ESTOCSTICO................................. 153
C.1 PROCESOS CONTINUOS, CAMINATA ALEATORIA Y MOVIMIENTO BROWNIANO ..................... 153
C.2 PROCESOS ESTOCSTICOS...................................................................................................... 155
C.3 LEMA DE IT.......................................................................................................................... 155
C.4 PRECIO DE MERCADO DEL RIESGO......................................................................................... 157
ANEXO D: DEDUCCIN DEL PROCESO DINMICO DE TASAS DE INTERS DEL TIPO
COX-INGERSOLL-ROSS..................................................................................................................... 158
D.1 MODELOS AFINES DE ESTRUCTURAS DE TASAS DE INTERS.................................................. 158
D.2 MODELO DE COX, INGERSOLL Y ROSS DE UN FACTOR ........................................................... 159
D.3 MODELO DE COX, INGERSOLL Y ROSS MULTIFACTORIAL ...................................................... 163
D.4 MODELO DE COX, INGERSOLL Y ROSS MULTIFACTORIAL CON CORRELACIONES DISTINTAS
DE CERO ............................................................................................................................................... 166
ANEXO E: ESTIMACIN DE PARMETROS Y VARIABLES DE ESTADO MEDIANTE EL
FILTRO DE KALMAN.......................................................................................................................... 168
E.1 ESTIMACIN DE VARIABLES DE ESTADO MEDIANTE EL FILTRO DE KALMAN......................... 168
E.2 ESTIMACIN DE PARMETROS A TRAVS DE LA FUNCIN DE VEROSIMILITUD ...................... 170
E.3 ESTIMACIN DE PARMETROS Y VARIABLES DE ESTADO PARA UN MODELO DE COX,
INGERSOLL Y ROSS MULTIFACTORIAL .................................................................................................. 172

ix
ANEXO F: PANELES DE DATOS DE INSTRUMENTOS DEL BANCO CENTRAL DE
CHILE UTILIZADOS PARA ESTIMAR ESTRUCTURAS DE TASAS DE INTERS................. 175
F.1 PANEL DE TRANSACCIONES DE INSTRUMENTOS DEL BANCO CENTRAL DE CHILE LIGADOS A
LAS TASAS NOMINALES DE INTERS ..................................................................................................... 175
F.1.1 Panel para estimacin de ETI mediante Modelos Estticos ..................................... 175
F.1.2 Panel para estimacin de ETI mediante Modelos Dinmicos .................................. 179
F.2 PANEL DE TRANSACCIONES DE INSTRUMENTOS DEL BANCO CENTRAL DE CHILE LIGADOS A
LAS TASAS REALES DE INTERS............................................................................................................ 180
ANEXO G: RESULTADOS DE LA ESTIMACIN DE ESTRUCTURAS DE TASAS DE
INTERS MEDIANTE MODELOS ESTTICOS ............................................................................. 183
ANEXO H: RESULTADOS DE LA ESTIMACIN DE ESTRUCTURAS DINMICAS
DE TASAS DE INTERS MEDIANTE MODELOS MULTIFACTORIALES DE COX-
INGERSOLL-ROSS ............................................................................................................................... 189
H.1 TASAS REALES DE INTERS.................................................................................................... 189
H.1.1 Parmetros y Variables de Estado Estimados ......................................................... 189
H.1.2 Clculo de Errores Estndar de Estimacin de Parmetros .................................... 194
H.1.3 Errores de Ajuste dentro de la Muestra................................................................... 195
H.2 TASAS NOMINALES DE INTERS ............................................................................................. 205
H.2.1 Parmetros y Variables de Estado Estimados .......................................................... 205

x
INDICE DE TABLAS
Tabla IV.1: Resumen de indicadores de errores de ajuste en tasa de la ETI, para la
Muestra Completa de tasas de inters nominales en Chile, en el perodo comprendido
entre Enero 2001y Diciembre 2002. ................................................................................35
Tabla IV.2: Resumen de indicadores de errores de ajuste en tasa de las ETI,
estimadas mediante el modelo de Nelson & Siegel, ocupando tasas de inters
nominales del mercado chileno, perodo Agosto 2001 Julio 2002. ..............................38
Tabla IV.3: Resumen de indicadores de errores de ajuste en tasas de ETI, estimadas
mediante el modelo de Svensson, ocupando tasas de inters nominales del mercado
chileno, perodo Agosto 2001 Julio 2002. ....................................................................39
Tabla IV.4: Resumen de indicadores de errores de ajuste en tasa, fuera de muestra,
para Muestra Reducida de tasas de inters nominales en Chile.......................................41
Tabla IV.5: Resumen de indicadores de errores de ajuste en tasa, para estimaciones
del modelo de Nelson & Siegel, para subconjuntos de das seleccionados de una
muestra de tasas de inters nominales en Chile ...............................................................43
Tabla IV.6: Resumen de indicadores de errores de ajuste en tasa, para estimaciones
del modelo de Svensson, para subconjuntos de das seleccionados de una muestra de
tasas de inters nominales en Chile..................................................................................43
Tabla IV.7: Comparacin de volatilidad observada en muestra de tasas de inters
nominales, y volatilidades estimadas por los modelos de Nelson & Siegel y
Svensson, perodo Enero 2001 Diciembre 2002. ..........................................................45
Tabla IV.8: Comparacin de volatilidad observada en un subconjunto de la muestra
de tasas de inters nominales, correspondiente al 40,44% de los das del perodo
Enero 2002 Diciembre 2002, y volatilidades estimadas por los modelos de Nelson
& Siegel y Svensson para dichos das..............................................................................48
Tabla VII.1: Plazos para cada error de medicin de TIR de PRC, considerados en la
estimacin de modelos multifactoriales de ETI reales de CIR. .......................................93
Tabla VII.2: Plazos para cada error de medicin de tasas de PDBC, en la estimacin
de modelos multifactoriales de ETI nominales de CIR. ..................................................93

xi
Tabla VII.3: RMSE, por plazo, para modelos de CIR de uno, dos y tres factores de
riesgo, calibrados con panel incompleto de datos de transacciones de derivados de
tasas de inters real en el mercado chileno, Enero 1997 Septiembre 2002.................100
Tabla VII.4: MAE, por plazo, para modelos de CIR de uno, dos y tres factores de
tasas de inters real en el mercado chileno, Enero 1997 Septiembre 2002.................101
Tabla VII.5: ME (Tasa Estimada - Tasa Observada), por plazo, para modelos de CIR
de uno, dos y tres factores de riesgo, calibrados con panel incompleto de datos de
transacciones de derivados de tasas de inters reales en el mercado chileno, Enero
1997 Septiembre 2001. ...............................................................................................102
Tabla VII.6: Comparacin de errores de ajuste promedio, para las estimaciones de
variables de estado del modelo de CIR de tres factores de riesgo, dentro y fuera de
muestra, utilizando datos de bonos dependientes de tasas de inters real. ....................105
Tabla VII.7: Volatilidades por plazo, ajustadas por los modelos dinmicos de CIR y
Vasicek, estimados con un panel de datos incompletos de tasas de inters real del
mercado chileno, perodo Enero1997 Diciembre 2001...............................................109
Tabla VII.8: Errores de ajuste promedio de los modelos dinmicos unifactoriales de
CIR y Vasicek estimados con un panel incompleto de tasas de inters real, para el
perodo Enero 1997 Diciembre 2001. .........................................................................110
Tabla VII.9: Comparacin de RMSE para plazos seleccionados, entre los modelos de
uno, dos y tres factores de riesgo, estimados utilizando tasas de inters nominal,
Enero 2001 Diciembre 2002. ......................................................................................115
Tabla VII.10: Comparacin de MAE para plazos seleccionados, entre los modelos de
uno, dos y tres factores de riesgo, estimados utilizando tasas de inters nominal,
Enero 2001 Diciembre 2002. ......................................................................................116
Tabla VII.11: Comparacin de ME para plazos seleccionados, entre los modelos CIR
de uno, dos y tres factores de riesgo, estimados utilizando tasas de inters nominal,
Enero 2001 Diciembre 2002. ......................................................................................117

xii
Tabla VII.12: Comparacin de volatilidad en tasa de PDBC observada con
volatilidades estimadas por los modelos dinmicos de CIR de uno, dos y tres factores
de riesgo, en plazos representativos del espectro de madurez. ......................................119
Tabla VII.13: Comparacin de errores de ajuste promedio de las estructuras de tasas
de inters nominal, estimadas mediante los modelos de Nelson & Siegel, Svensson y
CIR, para el perodo Enero 2001 Diciembre 2002......................................................121
Tabla A.1 Montos Transados en el Mercado de IF (Montos Expresados en Millones
de Ch$) ...........................................................................................................................137
Tabla A.2 Rotacin Mensual Promedio del Stock de PDBC (Montos Expresados en
Millones de Ch$)............................................................................................................138
Tabla A.3 Montos Transados en el Mercado de RF (Montos Expresados en Miles de
Millones de Ch$)............................................................................................................138
Tabla A.4 Rotacin Mensual Promedio del Stock de PRC (Montos Expresados en
Miles de UF) ..................................................................................................................139
Tabla A.5 Registro de una Transaccin de PDBC en BCS............................................141
Tabla A.6 Registro de una Transaccin de PRBC en BCS............................................142
Tabla A.7 Identificacin de las Series de PRC..............................................................143
Tabla A.8 Valores de Cartula (Cortes) de PRC............................................................143
Tabla A.9 Registro de una Transaccin de PRC en BCS ..............................................146
Tabla A.10 Extracto de la Tabla de Desarrollo del PRC-7D1001.................................146
Tabla F.1: Presencia en la Muestra, Tasa Promedio y Desviacin Estndar de Tasa de
los PDBC a distintos plazos utilizados en la estimacin de ETI....................................175
Tabla F.2: Presencia en la Muestra, Tasa Promedio y Desviacin Estndar de Tasa de
los BCP utilizados en la estimacin de ETI dinmicas..................................................179
Tabla F.3: Presencia en la Muestra, Tasa Promedio y Volatilidad de Tasa de los PRC
a distintos plazos utilizados en la estimacin de ETI.....................................................180
Tabla F.4: Presencia en la Muestra, Tasa Promedio y Volatilidad de Tasa de los
PRBC a distintos plazos utilizados en la estimacin de ETI. ........................................182

xiii
Tabla G.1: Error Medio o Sesgo de Ajuste para los modelos de NS y SV, estimados
sobre la muestra reducida de PDBC, Agosto 2001 Julio 2002. ..................................184
Tabla G.2: Error Medio Absoluto de Ajuste para los modelos de NS y SV, estimados
sobre la muestra reducida de PDBC, Agosto 2001 Julio 2002. ..................................185
Tabla G.3: Raz del Error Cuadrtico Medio de Ajuste para modelos de NS y SV,
estimados sobre la muestra reducida de PDBC, Agosto 2001 Julio 2002. .................186
Tabla H.1: Errores de medicin para TIR de PRC y tasa de PRBC, estimados por los
modelos multifactoriales de ETI reales de CIR. ............................................................191
Tabla H.2: Parmetros Estimados para los modelos de CIR de uno, dos y tres
factores de riesgo, estimados con tasas de inters reales. ..............................................192
Tabla H.3: Estadsticos de seleccin de modelos, para la estimacin de utilizando
tasas reales de inters. ....................................................................................................193
Tabla H.4: RMSE por plazo, para cada ao de datos incluido en la muestra, para el
modelo de un factor de riesgo de CIR estimado con un panel incompleto de
transacciones de derivados de tasas de inters reales del mercado chileno. ..................195
Tabla H.5: MAE por plazo, para cada ao de datos incluido en la muestra, para el
modelo de un factor de riesgo de CIR, estimado con un panel incompleto de
transacciones de derivados de tasas reales de inters del mercado chileno. ..................196
Tabla H.6: ME por plazo, para cada ao de datos incluido en la muestra, para el
modelo de un factor de riesgo de CIR, estimado con un panel incompleto de
modelo de dos factores de riesgo de CIR, estimado con un panel de datos incompleto
de transacciones de derivados de tasas de inters reales del mercado chileno. .............198
modelo de dos factores de riesgo de CIR, estimado con un panel de datos incompleto
modelo de dos factores de riesgo de CIR, estimado con un panel incompleto de datos

xiv
modelo de tres factores de riesgo de CIR, estimado con un panel incompleto de datos
modelo de tres factores de riesgo de CIR, estimado con un panel incompleto de datos
de transacciones derivados de tasas de inters reales del mercado chileno. ..................202
modelo de tres factores de riesgo de CIR, estimado con un panel incompleto de
factores de riesgo, estimados con tasas de inters nominales. .......................................207
Tabla H.14: Estadsticos de seleccin de modelos, para la estimacin de modelos
dinmicos de CIR, utilizando panel incompleto de transacciones de derivados de
tasas nominales de inters del mercado chileno, Enero 2001 Diciembre 2002. .........208
Tabla H.15: Errores de medicin para tasas de PDBC y TIR de BCP, estimados por
los modelos de CIR de ETI nominal, Enero 2001 Diciembre 2002............................209

xv
INDICE DE FIGURAS
Figura 3-1: Curva Cero Cupn de Tasas Nominales de Inters en Chile, estimada por
Bootstrap, utilizando tasas de PDBC, para el 19 de Febrero de 2002 .............................22
Figura 4-1: Flujos de efectivo considerados en una transaccin de IF para un agente
bancario, de acuerdo a las tasas reportadas por BCS. ......................................................31
Figura 4-2: Flujos de efectivo involucrados en una transaccin de IF para un agente
bancario, de acuerdo al cronograma real de pagos del instrumento. ...............................32
Figura 4-3: Correccin por Efectos de Medios de Pago para los PDBC transado en
BCS, Viernes 30/11/2001, considerando compras de un agente bancario.......................33
Figura 4-4: MAE por plazo, para los modelos de NS y SV, para Muestra Completa
de tasas de inters nominales, Enero 2001 Diciembre 2002. ........................................36
Figura 4-5: RMSE por plazo, para los modelos de NS y SV, para Muestra Completa
de tasas de inters nominales, Enero 2001 Diciembre 2002. ........................................37
Figura 4-6: ME por plazo, para los modelos de NS y SV, para Muestra Completa de
tasas de inters nominales, Enero 2001 Diciembre 2002..............................................37
Figura 4-7: Comparacin de RMSE por plazo, para el modelo de Svensson,
utilizando paneles de datos generados a partir de la Muestra Reducida de tasas
nominales de inters, Agosto 2001 Julio 2002..............................................................40
Figura 4-8: Comparacin RMSE por plazo, para el modelo de Nelson & Siegel,
nominales de inters, Agosto 2001 Julio 2002..............................................................40
Figura 4-9: Volatilidad de las tasas de inters nominales estimadas por los modelos
de Nelson & Siegel y Svensson, para la muestra completa de tasas de inters
nominales de PDBC, Enero 2001 Diciembre 2002.......................................................44
de Nelson & Siegel y Svensson, para la muestra de tasas de inters nominales de
PDBC, Enero 2001 Diciembre 2001. ............................................................................46

xvi
de Nelson & Siegel y Svensson, para la muestra de tasas de inters nominales de
PDBC, Enero 2002 Diciembre 2002. ............................................................................46
de Nelson & Siegel y Svensson, del segundo Subconjunto de datos de la muestra de
tasas de inters nominales de PDBC, Enero 2001-Diciembre 2002. ...............................47
Figura 4-13: ETI nominales promedio, estimadas utilizando los modelos de NS y SV
con datos de transacciones de PDBC, para el ao 2002 ..................................................49
Figura 4-14: ETI Nominal, estimada utilizando el modelo de NS con tasas de PDBC,
para el 26/08/2002............................................................................................................50
Figura 4-15: ETI Nominal, estimada utilizando el modelo de NS con tasas de PDBC,
para el 22/07/2002............................................................................................................50
Figura 4-16: ETI Nominal, estimada mediante el modelo de SV con tasas de PDBC,
para el 21/11/2002............................................................................................................51
Figura 4-17: ETI Nominal, estimada utilizando el modelo de SV con tasas de PDBC,
para el 25/01/2002............................................................................................................52
Figura 7-1: Comparacin de la TPM del BC con las tasas reales instantneas
generadas por los modelos de uno, dos y tres factores de riesgo de CIR estimados
con panel de datos incompleto, Enero 1997 Septiembre 2002. ....................................94
Figura 7-2: Curvas de TIR real de PRC estimadas por los modelos de CIR de uno,
dos y tres factores de riesgo, para el 30 de septiembre de 1998. .....................................96
Figura 7-3: Curvas Cero Cupn Real estimadas por los modelos de CIR de uno, dos
y tres factores de riesgo, para el 30 de septiembre de 1998. ............................................96
dos y tres factores de riesgo, para el 21 de agosto de 2000. ............................................97
y tres factores de riesgo, para el 21 de agosto de 2000. ...................................................97
dos y tres factores de riesgo, para el 18 de julio de 2001.................................................98

xvii
y tres factores de riesgo, para el 18 de julio de 2001. ......................................................99
dos y tres factores de riesgo, para el 22 de febrero de 2002. ...........................................99
y tres factores de riesgo, para el 22 de febrero de 2002. ..................................................99
Figura 7-10: Estructuras de volatilidades de TIR de PRC, estimadas por los modelos
de CIR de uno, dos y tres factores, Enero 1997 Septiembre 2002..............................105
Figura 7-11: Comparacin de tasas de inters instantneas estimadas por los modelos
de CIR y Vasicek de tres factores de riesgo, ajustados a un panel incompleto de
transacciones de bonos dependientes de las tasas de inters real, Enero 1997
Diciembre 2001. .............................................................................................................106
Figura 7-12: Comparacin de RMSE por plazo, para los modelos dinmicos de tres
factores de CIR y Vasicek, estimados con un panel incompleto de tasas de inters
real, Enero 1997 Diciembre 2001. ..............................................................................107
Figura 7-13: Comparacin de MAE por plazo, para los modelos de tres factores de
tasas de inters real de CIR y Vasicek, Enero 1997 Diciembre 2001.........................107
Figura 7-14: Comparacin de ME por plazo, para los modelos dinmicos de tres
factores de CIR y Vasicek, estimados con un panel incompleto de derivados de tasas
reales de inters, Enero 1997 Diciembre 2001............................................................108
Figura 7-15: Comparacin de Estructuras de Volatilidad estimadas, para los modelos
dinmicos de tres factores de CIR y Vasicek, ajustados a datos de transacciones de
derivados de tasas de inters reales, Enero 1997 Diciembre 2001. ............................108
Figura 7-16: Comparacin de tasas de inters instantneas reales estimadas por los
modelos de un factor de CIR y Vasicek, Enero 1997 Diciembre 2001. .....................110
Figura 7-17: Comparacin de RMSE por plazo, para los modelos de un factor de CIR
y Vasicek, estimados con un panel incompleto de tasas de inters real del mercado
chileno, Enero 1997 Diciembre 2001. ........................................................................111

xviii
Figura 7-18: Comparacin de MAE por plazo, para los modelos de un factor de CIR
y Vasicek, estimados con un panel incompleto de tasas de inters real del mercado
Figura 7-19: Comparacin de ME por plazo, para los modelos de un factor de CIR y
Vasicek, estimados con un panel incompleto de tasas de inters real del mercado
Figura 7-20: Comparacin de la TPM del BC con las tasas nominales instantneas
estimadas para los modelos de uno, dos y tres factores de riesgo del modelo CIR,
para el perodo Enero 2001 Enero 2002......................................................................113
Figura 7-21: Curva Cero Cupn estimadas para los modelos de uno, dos y tres
factores de riesgo, 13 de septiembre de 2002. ...............................................................114
Figura 7-22: Curva de TIR de BCP, estimadas para los modelos de uno, dos y tres
factores de riesgo, 13 de septiembre de 2002. ...............................................................114
Figura 7-23: Comparacin de las volatilidades en tasa, observadas en la muestra de
PDBC y las volatilidades estimadas por los modelos de CIR de uno, dos y tres
factores de riesgo, perodo Enero 2001 Diciembre 2002. ...........................................120
Figura 7-24: Comparacin de las volatilidades en tasa, observadas de PDBC y las
volatilidades estimadas por los modelos Nelson & Siegel, Svensson, y CIR de uno,
dos y tres factores de riesgo, Enero 2001 Diciembre 2002.........................................122
Figura C-1: Simulacin de un Movimiento Browniano con 10.000 intervalos por
unidad de tiempo, generado a partir de una caminata aleatoria. ....................................154
Figura E-1: Diagrama del algoritmo recursivo de prediccin y correccin, para la
estimacin de variables de estado, del Filtro de Kalman. ..............................................170
Figura E-2: Diagrama del algoritmo de estimacin de parmetros, maximizando la
funcin de utilidad entregada por el filtro de Kalman. .................................................171
Figura F-1: Presencia Burstil y Volatilidad por plazo, de la Muestra de PDBC
utilizada en la estimacin de modelos de Nelson & Siegel y Svensson. .......................179
Figura F-2: Presencia Burstil y Volatilidad por plazo, de la Muestra de PRC
utilizada en la estimacin de un modelo dinmico de Cox-Ingersoll-Ross ...................181

xix
Figura G-1: ME por plazo, para el modelo de Nelson & Siegel, estimado utilizando
la muestra reducida de transacciones de PDBC, Agosto 2001 Julio 2002..................187
Figura G-2: ME por plazo, para el modelo de Svensson, estimado utilizando la
muestra reducida de transacciones de PDBC, Agosto 2001 Julio 2002. ....................187
Figura G-3: RMSE por plazo, para el modelo de Svensson, estimado utilizando la
Figura G-4: MAE por plazo, para el modelo de Svensson, estimado utilizando la
Figura H-1: Evolucin de la variable de estado en el modelo de un factor. ..................190
Figura H-2: Evolucin de las variables de estado en el modelo de dos factores. ..........190
Figura H-3: Evolucin de las variables de estado en el modelo de tres factores. ..........190
Figura H-4: Errores de Medicin para los modelos dinmicos de uno, dos y tres
factores de riesgo............................................................................................................191
Figura H-5: RMSE por ao, para el modelo de un factor de riesgo...............................204
Figura H-6: MAE por ao, para el modelo de dos factores de riesgo............................204
Figura H-7: ME por ao, para el modelo de tres factores de riesgo. .............................205
Figura H-8: Evolucin de la variable de estado en el modelo de un factor de CIR,
estimado con un panel incompleto de derivados de tasas de inters nominal del
mercado chileno, Enero 2001 Diciembre 2002...........................................................205
Figura H-9: Evolucin de las variables de estado en el modelo de dos factores de
CIR, estimado con un panel incompleto de tasas de inters nominale del mercado
Figura H-10: Evolucin de las variables de estado en el modelo de tres factores de
CIR, estimado con un panel incompleto de tasas de inters nominal del mercado
factores de riesgo............................................................................................................209

xx
RESUMEN
El problema de estimacin de estructuras de tasas de inters es de larga
data en la literatura financiera y ha mostrado significativos avances en los ltimos 25
aos. Sin embargo, gran parte del desarrollo de esta disciplina se ha cimentado sobre
la base de la existencia y suficiencia de los datos necesarios para estimarlas.
Esta tesis explora la estimacin de estructuras de tasas de inters en un
escenario de mercado incompleto, en el cual la informacin disponible para llevar a
cabo las estimaciones no conforma un panel completo de datos. Bajo este escenario,
una estimacin dinmica de la estructura de tasas, que se preocupa de la evolucin
ntertemporal de las tipos de inters, resulta ms confiable que una estimacin
esttica, la cual busca ajustarse a las tasas observadas en un instante del tiempo, pues
es capaz de reproducir de mejor forma las condiciones de nivel, forma y volatilidad
que presentan las tasas de inters.
Para esto, se utilizan los modelos de ajuste a datos contemporneos de
Nelson & Siegel (1987) y Svensson (1994), los cuales son calibrados con datos de
tasas nominales de inters. La parte dinmica se realiza utilizando un modelo
multifactorial de Cox, Ingersoll y Ross (1985) estimado mediante un filtro de
Kalman no lineal, el cul es calibrado con datos de tasas de inters nominales y
reales. Los datos utilizados en la estimacin corresponden a transacciones de Bonos
emitidos por el Banco Central de Chile, efectuadas en la Bolsa de Comercio de
Santiago.
Los resultados de la estimacin dinmica de estructuras de tasas de
inters nominal son comparados con los resultados obtenidos en la estimacin
esttica, mientras que los resultados de la estimacin dinmica de estructuras de
tasas de inters real son contrastados con los estudios anteriormente realizados por
Molinare (2002) y Cortzar, Schwartz y Naranjo (2003), para as validar la
estimacin mediante el modelo de CIR.

xxi
ABSTRACT
Term Structure modelling is an extensively studied subject on the
financial literature and tremendous progress has been made in the past 25 years.
However, most of this development has been achieved based on the existence of
enough data to perform the estimations.
This thesis explores term structure modelling on an incomplete market
framework, in which available information to perfom the estimations does not
constitute a complete-panel data. Under this framework, dynamic term structure
modelling focused on intertemporal interest rate behaviour, yields better results
compared to static term structure modelling, focused on observed interest rate fitting
because it produces more stable and reliable curves, based on level, shape and
volatility estimations of the term structure.
Therefore, the term structure models developed by Nelson & Siegel
(1987) and Svensson (1994) are fitted to nominal interest rate data. Dynamic term
structure modelling is performed using a multifactor Cox, Ingersoll and Ross (1985)
model, estimated with a non-linear Kalman filter, fitted to both nominal and real
interest rate data. Interest rate data comes from chilean fixed income market
transactions of bonds issued by the Banco Central de Chile (Chilean Central Bank).
Results from dynamic term structure modelling using nominal interest
rates are compared with those of the static term structure modelling, while results
from dynamic term structure modelling using real interest rates are compared against
the results found by Molinare (2002) and Cortzar, Schwartz y Naranjo (2003), in
order to validate the use of the CIR model.

1
I INTRODUCCIN
Una parte importante de la economa de un pas la constituye su mercado
financiero. Es a travs de l que los bancos centrales hacen circular la moneda local y
regulan la inflacin o la masa monetaria, se financian actividades del estado y del
sector privado; se canalizan los pagos del sistema bancario, el comercio y la
industria. Entre sus funciones primordiales se encuentra permitir a los agentes
econmicos modificar sus perfiles de ahorro y consumo, posibilitndoles el traslado
intertemporal de flujos de dinero y bienes, facilitando a su vez, la transferencia y
diversificacin de los riesgos a los que se ve expuesto un partcipe de la economa.
Adems, los mercados financieros entregan una gran cantidad de
informacin, que es considerada por las personas y empresas a la hora de tomar sus
decisiones, para lo cual se apoyan en una serie de indicadores y precios de mercado.
Las tasas de inters son algunos de los precios de mercado ms importantes en una
economa, pues no slo permiten conocer la relacin intertemporal del valor de los
bienes y el consumo, sino que adems entregan una cierta nocin del valor en el
tiempo del dinero, del valor presente y futuro de los activos, y, como se sugiere en
Svensson (1994), contienen informacin acerca de la actividad econmica, de las
perspectivas de crecimiento y de las expectativas de inflacin futura.
Debido a estas razones, conocer el valor de la tasa de inters a diversos
plazos futuros resulta fundamental a la hora de valorizar activos, oportunidades de
consumo y proyectos de inversin. Esta relacin, entre la tasa de inters y fechas
futuras en el tiempo se conoce como estructura de tasas de inters (ETI), y puede ser
representada mediante una curva de tasas de descuento o una curva de tasas internas
de retorno asociadas a algn instrumento o una curva de tasas forward, etc.
En el caso de mercados profundos, lquidos y eficientes, obtener las tasas
de inters a diversos plazos es relativamente simple, pues existen precios disponibles
para una amplia gama de instrumentos dependientes de la tasa de inters, a una gran
variedad de plazos futuros, los cuales estn a disposicin de todos los agentes
econmicos. As, la estimacin de ETI se reduce a encontrar aquel mtodo que mejor
la ajuste a los datos observados y, en el proceso, cuente con una interpretacin
econmica slida.

2
Para resolver este problema, varios autores han desarrollado
metodologas de estimacin de la ETI, destacando los mtodos de ajuste por splines,
presentados por McCulloch (1971) y McCulloch (1975), y los modelos
parsimoniosos de Nelson & Siegel (1987) y Svensson (1994).
Estos modelos presuponen la existencia y estabilidad de los datos, es
decir, de un panel completo de datos de tasas de inters. Sin embargo, en el caso
chileno, la falta de liquidez en algunos instrumentos y plazos, y caractersticas
propias del mercado y de los instrumentos transados, dificultan la observacin de
estas variables econmicas, y en algunos casos, la informacin disponible no es
suficiente o no posee la calidad adecuada para estimar una ETI, es decir, slo se
dispone de un panel incompleto de transacciones de derivados de las tasas de inters.
Ms an, la ETI es una representacin esttica del nivel de tasas de
inters en un instante determinado del tiempo, y sta, al igual que el valor de los
activos dependientes de ellas vara en el tiempo. La caracterizacin de la forma en
que varan los tipos de inters, es decir, su comportamiento dinmico, es de vital
importancia para una valorizacin consistente en el tiempo de instrumentos
relacionados con las tasas de inters.
Por las razones antes expuestas, se hace necesaria una metodologa que
sea capaz no slo de realizar una estimacin confiable de la forma en que evoluciona
la estructura de tasas de inters en el tiempo, sino que, adems, pueda extraer la
informacin necesaria para ello a partir de un panel incompleto de observaciones de
mercado.
En este sentido, los modelos dinmicos de ETI resultan atractivos, pues
su objetivo es no slo ajustarse a los datos observados en un instante determinado del
tiempo, si no que adems, mantener una consistencia intertemporal de sus
estimaciones de tasas. Esta lnea de investigacin se remonta al trabajo de Merton
(1973), pero su primer gran hito lo marca el modelo de Vasicek (1977).
Posteriormente, grandes personalidades del mundo acadmico
1
se han avocado a
buscar una explicacin para el comportamiento dinmico de la ETI.

1
Entre otros Merton, Vasicek, Schwartz, Black, Longstaff y Hull.

3
Uno de los modelos dinmicos de ETI ms conocidos en la actualidad,
fue propuesto por Cox, Ingersoll y Ross (CIR, 1985). Este modelo considera una
evolucin estocstica de las tasas de inters, caracterizadas por un proceso con
reversin a la media, cuya volatilidad es proporcional a la raz cuadrada del nivel de
las tasas, lo que impide la existencia de tasas de inters negativas
2
.
El modelo original de CIR explica la evolucin de la tasa de inters
instantnea mediante un factor de riesgo, pero en el mismo artculo los autores
sugieren una extensin multifactorial del modelo pues, como sealan Chen y Scott
(2002), estudios al mercado norteamericano han demostrado que al menos tres
factores son necesarios para explicar la variacin intertemporal de la ETI. Esto ha
dado paso al desarrollo de modelos multifactoriales
3
que incorporan procesos
estocsticos del tipo CIR.
Un modelo dinmico de ETI multifactorial, considera a las tasas de
inters como una funcin de ciertos factores de la economa, los cuales reflejan su
influencia sobre las tasas de inters, en forma de shocks aleatorios, los que afectan
distintos componentes de la ETI. Estos factores no son observables directamente,
sino que deben ser extrados de los datos disponibles para la estimacin.
Luego, para calibrar un modelo del tipo CIR, utilizando datos de un
mercado como el chileno, es necesario un mtodo de estimacin que, adems de ser
capaz de extraer los factores de riesgo a partir de los instrumentos derivados de la
tasas de inters, pueda considerar la existencia de ruido en los precios observados y
pueda soslayar la falta de observaciones en ciertos perodos del tiempo.
Diversos mtodos de estimacin han sido utilizados para resolver este
problema, pero generalmente caen en la intratabilidad o requieren un excesivo
esfuerzo computacional para mantener la solidez estadstica de sus estimaciones.

2
Lo que es una cualidad muy apreciable cuando se trabaja con tasas de inters nominales, pero puede
ser un problema si se utilizan tasas de inters reales.
3
Ver Geyer y Pichler (1998), Lund (1997a), Nath y Nowman (2001)

4
Uno de los mtodos de estimacin con mayor auge en las finanzas
modernas es el filtro de Kalman
4
, pues es capaz de extraer variables de estado no
observables a partir de la informacin contenida en otras variables que estn
relacionadas con las primeras, permite la existencia de errores en la observacin de
las variables de mercado y puede ser utilizado con un panel de datos incompleto.
Estas caractersticas, adems de su simpleza con respecto a otros mtodos de
estimacin de ETI, lo hacen el mtodo ideal para estimar un modelo dinmico de
estructuras de tasas de inters en el mercado chileno.
En esta tesis se aborda el problema de encontrar una metodologa robusta
de estimacin de ETI para el mercado chileno. Para ello se utilizan tanto modelos
estticos, como modelos dinmicos de estructuras de tasas de inters, los cuales son
ajustados a los datos de transacciones de instrumentos del Banco Central de Chile en
moneda local, registradas en la Bolsa de Comercio de Santiago, mediante mtodos de
estimacin propuestos en la literatura para cada tipo de modelo.
La eleccin de los modelos y mtodos de estimacin se realiza mediante
una revisin de la literatura relevante a la estimacin de ETI. Especficamente, se
ajustan los modelos parsimoniosos de Nelson & Siegel y Svensson, mediante
minimizacin de errores cuadrticos, y un modelo dinmico multifactorial del tipo
Cox-Ingersoll-Ross, mediante la utilizacin del filtro de Kalman; a transacciones de
Pagars Descontables, Pagars Reajustables, Pagars Reajustables con Cupones y
Bonos en Pesos, del Banco Central de Chile.
Este trabajo presenta una serie de desafos, pues los datos disponibles
para la estimacin no poseen la calidad recomendada en la literatura para desarrollar
investigaciones de este tipo. Adems, los datos disponibles reflejan una serie de
imperfecciones de los mercados locales, por lo cual se propone una metodologa de
correccin de datos que permite una estimacin adecuada de la ETI.

4
Kalman (1960)

5
Adems, se pretende probar y validar o rechazar la aplicacin de los
modelos multifactoriales de CIR para modelar y estimar estructuras de tasas de
inters, aplicadas a datos disponibles del mercado local, mediante una comparacin
con estudios anteriores que utilizan modelos de Vasicek estimados con un conjunto
similar de datos.
Se espera que esta tesis sea un aporte en las reas de estimacin de ETI,
para la cual, en Chile no existen trabajos anteriores que aborden las tasas nominales,
de creciente importancia hoy, pues a travs de ellas se maneja la poltica monetaria.
Adems, en Chile slo existe un antecedente de uso de modelos dinmicos
multifactoriales, y de aplicacin del filtro de Kalman a paneles de datos
incompletos
5
, el cual fue utilizado slo con tasas de inters reales.
El presente trabajo se organiza de la siguiente forma: el captulo II
describe el mercado chileno de renta fija y los instrumentos utilizados para la
estimacin de ETI. En el captulo III se revisa la teora de estructuras de tasas de
inters y se resean los principales mtodos de ajuste esttico de la ETI. Los
resultados empricos de estimar ETI para datos nominales del mercado chileno,
mediante los modelos estticos de Nelson & Siegel y Svensson, se presentan en el
captulo IV.
El captulo V resea los principales modelos dinmicos de tasas de
inters, dando especial atencin al modelo de Cox-Ingersoll-Ross y a su desarrollo
multifactorial. El captulo VI presenta una serie de alternativas disponibles para
estimar modelos dinmicos de ETI, con especial atencin al Filtro de Kalman y a su
aplicacin a un modelo del tipo CIR estimado con un panel de datos incompleto.
Los resultados de la estimacin de un modelo dinmico de CIR
multifactorial para datos nominales y reales del mercado chileno, utilizando el filtro
de Kalman se presentan en el captulo VII. Finalmente, en el captulo VIII se
encuentran las conclusiones ms relevantes de este trabajo, as como las sugerencias
para futuras investigaciones que puedan desprenderse de l.

5
Ver Cortzar, Schwartz y Naranjo (2003)

6
II EL MERCADO CHILENO DE INSTRUMENTOS DE RENTA FIJA
Los mercados financieros suelen subdividirse de acuerdo a las clases de
activos subyacentes a los instrumentos transados. De esta forma se encuentran
mercados de renta variable, monedas o commodities. Un lugar muy importante lo
ocupan los mercados de renta fija, en los cuales se transan bonos y otros ttulos
ligados a las tasas de inters.
A diferencia de lo que ocurre en los mercados accionarios, los
instrumentos de renta fija son menos estandarizados y ms variados en sus
caractersticas. Sin embargo, en pases desarrollados, el gran nmero de actores en el
mercado, la amplia y completa gama de tasas de emisin, plazos y emisores; los
significativos montos transados y la alta rotacin de los papeles contribuyen a la
liquidez
1
de los mismos, haciendo posible que siempre existan precios disponibles y
confiables para cualquier instrumento presente en el mercado. En Chile no se
observa esta profundidad, pues el nmero de agentes es reducido, lo que incide en el
tamao de los montos emitidos y transados, y finalmente en la volatilidad de los
precios, llegndose incluso a no observar precios para algunos instrumentos y plazos.
En el presente captulo se realiza una descripcin del mercado chileno de
renta fija, con especial dedicacin a los instrumentos emitidos en moneda local por el
Banco Central, utilizados en esta tesis para estimar estructuras de tasas de inters
nominal y real. Para esto se desarrolla una breve explicacin de conceptos bsicos
asociados a la renta fija, una descripcin de los mercados, actores e instrumentos
involucrados, y de sus particularidades.
2.1 Tasas de Inters e Inflacin
La ecuacin de Fisher que relaciona las tasas de inters con la inflacin,
dice:
( ) ( ) ( ) 1 1 1 R r + = + + (2.1)

1
La liquidez representa una medida de qu tan fcil es vender y comprar activos. Mientras ms
lquido sea el mercado, existe mayor acuerdo entre comprador y vendedor acerca del precio de
transaccin.

7
, en que R y r representan la tasa de inters nominal y real, respectivamente, y es la
inflacin. Para una misma tasa nominal, a mayor inflacin, menor es el inters real
que percibe el inversionista. Incluso, si la inflacin es mayor a la tasa nominal, la
tasa real es negativa.
En los aos 60, la tasa de inters nominal vigente en Chile estaba fijada
por decreto ley, y no obedeca necesariamente a condiciones reinantes en el mercado,
lo que, sumado a una larga tradicin inflacionaria, llev al gobierno de la poca a
crear una unidad de cuenta indexada a la inflacin, para evitar de esa manera el
efecto negativo de una inflacin mayor a las tasas de inters en los ahorros. As nace
la Unidad de Fomento (UF), cuyo valor se reajusta diariamente de acuerdo a la
variacin que experimenta el ndice de Precios al Consumidor (IPC) del mes
anterior. As, los precios expresados en UF mantienen su valor por sobre la inflacin
o valor real. Este ndice ha sido utilizado por el sector financiero, a la hora de fijar el
valor de activos inmovilizados, valorar servicios, generar captaciones y colocaciones
de fondos en trminos reales, y denominar activos financieros.
A comienzos de los aos 90, el Banco Central de Chile (BC) inicia un
programa pionero de manejo de la poltica monetaria con metas de inflacin, para lo
cual se vali de la tasa de instancia monetaria
2
, la que estaba denominada en
trminos reales. A fines de la dcada se alcanza la meta inflacionaria de largo plazo
3
.
Acorde con esta nueva realidad, a partir del 9 de Agosto de 2001, la tasa de instancia
fijada, se maneja en trminos nominales
4
, acorde con las tendencias mundiales.
2.2 Conceptos Bsicos de Renta Fija
Se conocen como instrumentos de renta fija a aquellos activos cuyos
pagos y cuyo retorno, slo en el caso de ser mantenidos hasta la fecha en que se
hayan realizado todos los pagos prometidos, o vencimiento, son conocidos de
antemano.

2
Esta es la tasa a la que el BC presta dinero a los bancos comerciales, para prstamos a 1 da
(overnight).
3
Esta se define como una inflacin en torno al 3% anual, con un margen de 1% de error.
4
En lo que se conoce como nominalizacin de la economa.

8
Estos activos tpicamente toman la forma de bonos, o ttulos de deuda,
que son derechos a recibir flujos de dinero en determinadas fechas futuras, los cuales
dependen del monto de la deuda contrada por el emisor, de la tasa de sta y de la
periodicidad con la que se efectan los pagos. Estos instrumentos tienen asociados
un valor cara o monto de la deuda, una madurez o plazo para que venzan sus
obligaciones, una tasa de descuento o rentabilidad, que expresa el retorno esperado
del activo hasta su madurez, y una tasa de cupn, que representa las ganancias de
capital que entrega el activo por sobre el monto prestado al emisor.
Se llama bono de descuento a aquellos ttulos que cancelan toda la deuda
en un solo pago al vencimiento, y que no devengan inters por la misma. En los
casos en que la obligacin devenga intereses, estos son cancelados tpicamente a
travs de pagos peridicos de cupones. Existen adems, instrumentos que amortizan
su principal peridicamente, en estos casos los cupones se componen de una parte de
capital, y otra parte de intereses.
2.3 Mercados
Al interior del mercado chileno de instrumentos de deuda puede
identificarse una clara separacin, producida por la estructura propia del mercado, la
que obedece principalmente al plazo de los instrumentos.
2.3.1 Mercado de Intermediacin Financiera (IF)
Se denominan instrumentos de IF a aquellos ttulos correspondientes a
emisiones de corto plazo y de carcter nico, es decir, no seriadas. En su gran
mayora los plazos de estas obligaciones son inferiores a un ao, pero pueden
alcanzar hasta los tres aos.
Estos instrumentos son emitidos principalmente para financiar la gestin
de corto plazo del emisor, o servir como herramienta de regulacin monetaria, en el
caso del BC. La forma ms comn de estos instrumentos es la de pagars o bonos de
descuento.

9
2.3.2 Mercado de Renta Fija (RF)
Est conformado por las emisiones de deuda a mediano y largo plazo
5
,
tanto del sector pblico como privado. Algunas emisiones, especialmente aquellas
del BC, pertenecen a series de instrumentos. Estos instrumentos son emitidos para
financiar proyectos de inversin, reestructurar la composicin de deuda del emisor,
financiar dficit presupuestario o regular la oferta monetaria de la economa.
El instrumento ms comn de este mercado es el bono con cupones, los
cuales pueden componerse de un porcentaje de intereses sobre el capital y una parte
de amortizacin del principal, o solamente de pago de intereses. En Chile, la gran
mayora de los instrumentos de este mercado estn denominados en UF.
2.4 Emisores
2.4.1 Banco Central de Chile (BC)
El BC es el principal emisor de instrumentos de deuda en la economa
chilena. Adems, la teora nos sugiere que por ser la nica institucin autorizada para
emitir dinero, y contar con respaldo estatal, sus ttulos son considerados, en el
contexto chileno, como libres de riesgo y utilizados por el mercado como punto de
comparacin en las operaciones relacionadas con tasas de inters. El BC coloca sus
instrumentos a travs de licitaciones peridicas, de esta manera el mercado de
papeles del BC se divide en un mercado primario y uno secundario.
a) Mercado Primario
Este mercado corresponde a las licitaciones y ventas por ventanilla
realizadas por el BC, que son las formas utilizadas por el instituto emisor, para
colocar sus instrumentos de deuda en el mercado.

5
Las cuales alcanzan plazos de hasta 20 aos, en el caso del BC y hasta los 30 aos, para las letras de
crdito, siendo el mercado latinoamericano con mayor profundidad de plazos, en instrumentos
emitidos en moneda local.

10
A una operacin en el mercado primario, slo pueden acudir aquellos
agentes autorizados por el BC
6
para estos efectos: Empresas Bancarias, Sociedades
Financieras, Administradoras de Fondos de Pensiones (AFP), Compaas de Seguros
y Administradoras de Fondos Mutuos; que adems hayan suscrito el acuerdo que los
adhiere al Sistema de Operaciones de Mercado Abierto (SOMA) y que operen bajo
la supervisin de alguna de las superintendencias del mercado financiero
7
.
Para el caso de las licitaciones, el BC anuncia a travs del SOMA el
monto a licitar
8
, luego los oferentes realizan ofertas competitivas, es decir,
especifican el monto y la tasa de descuento o precio a adjudicar. Si la licitacin es de
tipo tradicional, al final del proceso el BC comunicar los resultados de la misma, en
cambio, si la licitacin es interactiva, el oferente puede seguir la evolucin de su
oferta en lnea, pudiendo modificarla en el caso de que no calificase para la
licitacin.
Las ofertas son ordenadas de mayor a menor precio (menor a mayor tasa
de descuento) ofrecido, sumndose hasta completar el monto a licitar. Si hubiese dos
o ms ofertas con igual tasa de descuento o precio ofrecido y el monto remanente a
licitar no fuese suficiente para satisfacerlas a ambas, el saldo se adjudicar en forma
proporcional al monto solicitado por los oferentes. La tasa de la licitacin
corresponder a la tasa de corte, es decir, a la mayor tasa ofrecida que calific para
ser adjudicada. El BC puede unilateralmente aumentar o reducir el monto de la
licitacin hasta en un 10%, y adems, puede rechazar ofertas sin expresin de causa.
A los bancos y sociedades financieras se les descuenta de las cuentas corrientes que
mantienen en el BC el monto adjudicado, mientras que el resto de los participantes
no bancarios, deben cancelar sus adquisiciones mediante vales vista
9
.

6
Segn Anexo N1, Captulo IV.B.8, Compendio de Normas Financieras, Banco Central de Chile.
7
Superintendencias de Valores y Seguros (SVS), de Bancos e Instituciones financieras (SBIF) o de
Administradoras de Fondos de Pensiones (SAFP).
8
Existen tambin licitaciones con monto determinable, el cual depende de la tasa de descuento que
est dispuesto a aceptar el BC.
9
Igual medio de pago utiliza el BC a la hora de pagar los rescates de los documentos vencidos. Las
caractersticas del VV son explicadas en la seccin 2.5.1

11
Las ventas a travs de la ventanilla de descuento corresponden slo a
instrumentos de corto plazo. En este caso los oferentes solicitan un monto, y es el BC
quin fija la tasa de descuento de la operacin. Finalmente, el instituto emisor posee,
adems, un sistema de compra con pacto de retroventa a travs de ventanilla, al que
slo pueden acceder los bancos y sociedades financieras.
b) Mercado Secundario
El mercado secundario est conformado por todos los agentes de la
economa, los cuales pueden comprar y vender instrumentos financieros libremente.
Los mayores montos y frecuencias de transacciones son observados en las
transacciones en el mercado formal, tanto en las ruedas de la Bolsa de Comercio de
Santiago (BCS), como en el sistema continuo de la Bolsa Electrnica
10
.
Fuera de estos mercados establecidos, es posible encontrar transacciones
over-the-counter
11
, principalmente en la forma de pactos de retrocompra, en que la
parte vendedora se compromete a recomprar el instrumento, en un plazo
determinado, pagando un precio mayor al precio de venta original, en un porcentaje
establecido.
2.4.2 Estado de Chile
A travs de los aos, el estado chileno y distintas empresas estatales han
emitido un importante nmero de instrumentos, los cuales, por contar con el respaldo
estatal, poseen un riesgo muy bajo, comparado con otros instrumentos del mercado
local. La finalidad de estos instrumentos es financiar la gestin de ciertas
reparticiones pblicas, o en casos especiales, financiar la modernizacin de sistemas
estatales, como fue el caso del sistema previsional.

10
En ambas bolsas las transacciones se realizan en forma electrnica. Como cualquier transaccin
efectuada en los mercados burstiles, es necesario que las partes estn representadas por corredores
autorizados por la bolsa.
11
Las transacciones OTC son aquellas acordadas por dos partes en forma independiente y sin el
empleo de un mercado formal como intermediario.

12
Entre las emisiones ms importantes se encuentran:
a) Pagars Descontables de Tesorera (PDT)
b) Pagars Reajustables de Tesorera (PRT)
c) Bonos de la Reforma Agraria (CORA)
d) Bonos de Reconocimiento (BR)
Los dos primeros son emitidos por la Tesorera General de la Repblica,
para financiar su gestin operacional, financiar proyectos de inversin del estado y
gastos derivados de la ejecucin del presupuesto de la nacin. Los primeros son
documentos de corto plazo, pagaderos al portador, y pueden ser transferidos
libremente en el mercado secundario. Los segundos son documentos de mediano y
largo plazo, denominados en UF.
Los bonos CORA fueron emitidos por la Tesorera General de la
Repblica, para financiar parte de las indemnizaciones pagadas por la Corporacin
de la Reforma Agraria (CORA). Estos bonos poseen amortizacin y pago de cupones
con periodicidad anual.
Finalmente, los BR son emitidos por el Instituto de Normalizacin
Previsional, y representan las cotizaciones de afiliados al antiguo sistema de
previsin, que deciden trasladarse al sistema de AFP. El BR es un bono cero cupn,
emitido en la fecha en que el cotizante cambi de sistema previsional y maduran en
la fecha en que al afiliado le corresponde pensionarse. La tasa de cupn es de 4,0%
ms reajuste por IPC. Para solucionar los casos no contemplados por la ley que dio
origen a los BR, se emitieron Complementos a los Bonos de Reconocimiento (CBR),
tambin por parte del INP.

13
2.4.3 Emisores Corporativos
a) Instrumentos Emitidos por el Sector Real
Conocidos como Debentures o bonos corporativos, son utilizados
principalmente para financiar proyectos de inversin o reprogramar los compromisos
financieros del emisor. Tpicamente son instrumentos de mediano y largo plazo,
denominados en UF, con pago en cupones con periodicidad semestral o anual.
b) Instrumentos Emitidos por el Sector Bancario y Sociedades Financieras
Las empresas del sector financiero, aparte de las emisiones de deuda con
fines corporativos, emiten instrumentos propios de su negocio, entre los ms
importantes estn:
i. Bonos Bancarios
Emitidos con el fin de financiar la renegociacin de carteras vencidas, y
en ciertos casos para financiar la operacin propia del negocio. Usualmente estn
denominados en UF y su plazo al vencimiento vara entre 1 y 25 aos.
ii. Bonos Subordinados
Por ley, slo los bancos pueden realizar este tipo de emisiones. En caso
de quiebra del emisor, los acreedores que posean dichos ttulos no tienen prioridad en
la cancelacin de sus derechos. Generalmente estn denominados en UF, no pueden
ser emitidos con plazos inferiores a 10 aos y no pueden ser prepagados.
iii. Letras de Crdito Hipotecario (LCH)
Son emitidas para financiar la construccin de viviendas
12
o para crditos
hipotecarios generales. Una de las caractersticas ms importantes de las LCH es que
estn agrupadas en series y ligadas a un conjunto de crditos que originaron dicha
serie, por lo que si alguno es prepagado, se sortear una letra de la serie, la cual ser
amortizada, cancelndose a su valor par.

12
El SERVIU puede emitir LCH, pero slo para financiar la construccin de viviendas.

14
2.5 Instrumentos Emitidos por el Banco Central
2.5.1 Instrumentos ligados a las Tasas de Inters Nominales
Corresponden a los bonos del BC denominados en CLP. En la actualidad
son la principal herramienta del BC para el manejo de la poltica monetaria.
a) Pagar Descontable del Banco Central (PDBC)
Los pagars son bonos de descuento, pagaderos al portador, los que una
vez vencidos no devengan intereses. Se emiten en montos de MM$5, MM$50,
MM$100 y MM$200, a plazos de 30, 90 y 360 das
13
, aunque podran eventualmente
ser emitidos con plazos de hasta 5 aos.
Son utilizados por el BC para regular la tasa de inters de corto plazo, a
travs de la oferta monetaria. Son activamente transados en el mercado de IF
14
,
principalmente por bancos y fondos mutuos de renta fija de corto plazo.
b) Bonos del Banco Central en Pesos (BCP)
Son parte de la nueva estructura de deuda del BC, vigente desde
septiembre de 2002. Son bonos con cupones tipo bullet, es decir, sus cupones slo
pagan intereses y el capital se amortiza completamente al vencimiento. Se emiten en
plazos de 2 y 5 aos.
2.5.2 Instrumentos ligados a las Tasas de Inters Reales
Pese a que el actual manejo de la poltica monetaria ya no los utiliza
como herramienta principal, los bonos indexados por la variacin de la UF siguen
teniendo relevancia en el mercado local, por la proteccin que brindan contra la
inflacin.

13
Con anterioridad se emitan en plazos de 42 y 60 das. Los PDBC a 730 das fueron reemplazados
por los BCP a 2 aos plazo.
14
Ver seccin 2.3.1

15
a) Pagar Reajustable del Banco Central (PRBC)
Son anlogos a los PDBC, pero denominados en UF. La autoridad
monetaria ha fijado un tope para el monto en circulacin de estos pagars, de
MMUF300
15
.
b) Pagar Reajustable del Banco Central con Pago en Cupones (PRC)
Es el instrumento ms caracterstico del BC y del mercado de renta fija
chileno. Est denominado en UF y se emite en plazos que van hasta los 20 aos
16
, en
cortes de UF500, UF1.000, UF5.000 y UF10.000. Realiza pagos semestrales de
cupones, todos de igual valor en UF, salvo el ltimo, que recoge efectos de redondeo
y diferencia en los perodos de capitalizacin de intereses de los cupones anteriores.
La tasa de cupn es de 6,5%, y el pago de estos se compone de una parte de
amortizacin del principal y una parte de intereses
17
.
c) Cupones de Emisiones Reajustables Opcionales (CERO)
A diferencia de los instrumentos mencionados anteriormente, estos bonos
no se emiten, sino que, son el resultado de canjear al BC cupones de PRC, para
recibir a cambio bonos cero cupn, de igual valor, en UF, al cupn original, y con
igual fecha de vencimiento. Estos bonos pueden ser transados en forma
independiente del instrumento original.
d) Bonos del Banco Central en UF (BCU)
A partir de septiembre de 2002 reemplazan a los PRC como el
instrumento de renta fija del BC a largo plazo. Se emiten en plazos de 5, 10 y 20
aos. Estn denominados en UF y son de tipo bullet.

15
A diciembre de 2002, la ltima emisin de PRBC se haba realizado en agosto de 2002, con plazo
de vencimiento a 1 ao.
16
La ltima emisin de PRC se realiz en agosto de 2002, a 8 y 20 aos plazo. Anteriormente estos
instrumentos se emitan a 4, 6, 10, 12 y 14 aos de plazo.
17
Para una completa descripcin de las caractersticas de los PRC, ver Molinare (2002)

16
2.5.3 Otros Instrumentos del Banco Central
El BC ha emitido con cierta regularidad instrumentos denominados en
USD, previamente llamados Pagars Reajustables en Dlares (PRD), hoy
denominados Bonos del Banco Central en Dlares (BCD), con el fin de influir sobre
el mercado cambiario.
En el pasado existieron emisiones, no regulares de bonos, utilizados por
el BC para saldar situaciones de contingencia. Entre estos se encuentran: Pagars al
Portador del BC (PPBC), Pagars de Compra de Cartera (PCC), Pagars con Tasa
Flotante (PTF), Pagars Captulo XXVIII y XIX (PCD), Certificados de Ahorro
Reajustables (CAR) y Pagars para Instituciones de Previsin Social (PPS).
2.6 Particularidades del Mercado Chileno
Existen una serie de factores legales, operativos, culturales y otros, que
caracterizan al mercado local de instrumentos de renta fija.
2.6.1 Medios de Pago
El sistema de pagos interbancario chileno funciona a travs de las
cmaras de compensacin, en las que se reunen los representantes de los bancos de
una plaza y saldan las cuentas por documentos recibidos con fondos en otro banco.
Diariamente se realizan 5 reuniones de cmara. El medio de pago comn de las
transacciones en el mercado financiero es el Vale Vista (VV). Este documento es
emitido por bancos contra fondos disponibles de quin solicita la emisin.
Al liquidarse un VV, por una institucin distinta al emisor, los fondos de
ste no quedan a disposicin del acreedor en forma inmediata, si no que tienen un da
hbil bancario de retencin, pues stos, producto de la liquidacin en una reunin de
cmara, quedan a disposicin del acreedor a la maana siguiente. Por ley el BC exige
a las instituciones que emiten VV un encaje
18
del 9% del monto, el cual debe ser
abonado por el solicitante, y es cobrado el mismo da de la emisin.

18
El encaje es un depsito de garanta que realiza el emisor de un VV en el Banco Central, y que no
devenga inters.

17
Otro instrumento de pago, reservado slo a los bancos e instituciones
financieras, para pagos de transacciones interbancarias, es el Vale Cmara (VC). A
diferencia del VV, los fondos no tienen retencin, si bien el proceso de liquidacin
por cmara es igual que en el caso de los VV, pues los bancos asumen la
disponibilidad inmediata de los fondos.
Esto hace que en la prctica, los bancos tengan una ventaja en la compra
de instrumentos muy cercanos a su vencimiento (menor a 5 das de plazo), pues
pueden cancelar sus operaciones con un VV y recibir el rescate del documento con
un VC, con lo que ganan 1 da en la rentabilidad de sus fondos, respecto de las
instituciones no bancarias. Estas ventajas se acrecientan los fines de semana y das
previos a feriados, pues el cobro de los VV se posterga an ms, creando un
importante efecto sobre la tasa efectiva de la operacin.
2.6.2 Restriccin de Reserva Tcnica
La normativa dictada por el BC obliga a bancos e instituciones
financieras a constituir fondos de reserva tcnica por el monto total en que sus
obligaciones (depsitos a la vista, captaciones y cualquier deuda que pueda ser
exigida en un plazo menor a 30 das) excedan 2,5 veces su patrimonio.
La reserva debe mantenerse en caja, como depsito en la cuenta corriente
en el BC o, en documentos del mismo instituto emisor o la Tesorera General de la
Repblica, cuyo plazo al vencimiento no sobrepase los 90 das.
Esta normativa crea una demanda inducida por papeles del BC de corto
plazo, pues a las instituciones financieras el mantener fondos en caja no les reporta
inters y el depsito de reserva tcnica en el BC devenga un inters que usualmente
es menor a la rentabilidad de un PDBC.
En la prctica, esto hace que las tasas de los papeles de muy corto plazo
del BC presenten variaciones importantes en sus niveles, en papeles de iguales
caractersticas, incluso en transacciones consecutivas.

18
2.6.3 Exigencias para la Operacin en el Mercado Primario
Aquellas instituciones financieras que deseen ser partcipes del mercado
primario deben cumplir una serie de exigencias impuestas por la autoridad. Entre
ellas, se exige que las instituciones autorizadas a operar en dicho mercado deban
mantener montos significativos de deuda emitida por el BC en su cartera.
Concretamente, una institucin debe haber mantenido, al menos, un promedio
mensual de un 4% del monto total de su cartera de inversiones en papeles del BC,
desde un ao antes a ser elegible para la autorizacin a operar en licitaciones del BC.
19
III MODELOS ESTTICOS DE ESTRUCTURAS DE TASAS DE
INTERS
Un problema fundamental en finanzas es conocer la tasa de descuento a
aplicar en la valorizacin de un activo, lo cual se torna an ms complejo si los flujos
involucrados se encuentran distribuidos en el tiempo, ya que, al incluir supuestos
sobre el valor en el futuro de dicha tasa, se agrega incertidumbre al valor del activo.
La estimacin de una estructura de tasas de inters (ETI) simplifica esta
incertidumbre, ya que provee informacin acerca del nivel presente o futuro
1
de las
tasas de descuento a diversos plazos, facilitando las labores de planificacin y
valorizacin, tanto financiera como estratgica. ste es un problema de larga data y
su utilidad radica en la informacin que proveen los niveles de tasas de inters a
diferentes plazos al momento de tomar decisiones como valorizacin de
instrumentos, de financiamiento e inversin, de conocer expectativas del mercado,
proyectar tasas de inflacin, crecimiento y otras variables macroeconmicas.
Estimar estructuras de tasas de inters mediante procedimientos estticos
consiste en ajustar una curva a observaciones contemporneas de tasas de inters. Se
les denomina estticos, pues no consideran la evolucin de los tipos de inters en el
tiempo, y su objetivo primordial es proporcionar una adecuada valorizacin de los
instrumentos observados en el mercado, que no contengan opciones incorporadas.
Esta lnea de investigacin surgi en los pases desarrollados, donde las tasas de
inters a distintos plazos se encuentran disponibles, provenientes de fuentes
confiables. As, el problema se reduce a encontrar un mtodo que complete la curva
de tasas para aquellos plazos en que no existan precios de mercado.
En este captulo se presenta la teora que relaciona precios de bonos con
tasas de inters. Adems, se analizan diversos mtodos propuestos en la literatura
para la estimacin esttica de ETI, a partir de precios observados en los mercados. Se
incluye tambin, una revisin de estudios anteriores que implementaron y
compararon diversos mtodos estticos.

1
Como se seala en Svensson (1994), para el caso de las tasas forwards
20
3.1 Bonos y Tasas de Inters
Sea d(t,T) el factor de descuento o precio de un pagar en el instante t,
con valor cara de $1 y vencimiento en T. Sea R(t,T) la tasa cero o spot en el instante
t, para el bono de descuento que vence en T. La relacin entre tasa
2
y el factor es:
( ) ( )
( ) ( ) ,
, ,
R t T T t
d t T P t T e

= = (3.1)
Para el caso de bonos con cupones basta considerar cada cupn como un
bono de descuento. As, para un bono bullet, que paga $1 a su vencimiento en T, con
pagos c
k
de cupn en los instantes (t+k), con k = 1, 2, 3,...,(T-t) se tiene:
( ) ( , ) ( , )
1 1
( , ) ( , ) ( , )
T t T t
R t T T t R t t k k
k k
k k
P t T c d t t k d t T c e e

+
= =
= + + = +

(3.2)
Un bono con cupones, se cotiza en su Tasa Interna de Retorno (TIR), que
es la tasa constante a lo largo de la vida del bono que hace el valor presente de sus
pagos igual al precio de ste. Luego el precio, en funcin de la TIR, y(t,T), es:
( ) ( , ) ( , )
1
( , )
T t
y t T T t y t T k
k
k
P t T c e e

=
= +
(3.3)
Para el caso de bonos amortizables (p.e. PRC
3
), en que los cupones no
slo devengan intereses, sino que adems cancelan parte del principal, las frmulas
son anlogas, salvo que no existe un pago adicional al momento del vencimiento.
( ) , ( , )
1 1
( , )
T t T t
R t k k y t T k
k k
k k
P t T c e c e

= =
= =

(3.4)
, en que c
k
representa el pago total del cupn en el instante (t+k), con k=1,2,...,(T-t).

2
En esta tesis se supondr que las tasas de inters estn expresadas en composicin continua.
3
Las caractersticas de un PRC se explican en la seccin 2.4.1
21
La ETI representa la tasa de inters como funcin del plazo al
vencimiento. A partir de los precios es posible obtener las tasas, de la ecuacin (3.1):
( )
( )
ln ,
( , )
P t T
R t T
T t
=
(3.5)
Una vez que se cuenta con un nmero suficiente de observaciones, es
posible recurrir a un mtodo de estimacin de la estructura de tasas de inters. En el
anexo B se analiza con mayor detalle el desarrollo algebraico de las tasas de inters.
3.2 Ajuste de Curvas
Estos mtodos tienen un origen puramente matemtico. Suponen que
toda la informacin est contenida en los precios de mercado, por lo cual, se debe
buscar la curva que mejor interpole aquellos precios observados. Los mtodos
empleados para este fin, en general, coinciden en un buen ajuste a los datos
observados y una baja confiabilidad para valorizar instrumentos fuera del rango de
interpolacin (extrapolacin).
3.2.1 Bootstrap
Es el mtodo ms sencillo y ms utilizado en la prctica para determinar
una estructura intertemporal de tasas de inters.
Consiste en determinar las tasas cero cupn equivalentes de los
instrumentos disponibles en el mercado, y luego completar la curva, para aquellos
plazos en los que no se cuente con informacin, mediante una interpolacin lineal.
Para extrapolar, se asume que la estructura de tasas es constante previo a la
observacin de menor plazo y posterior a la observacin de mayor plazo. El nivel de
tasas utilizado para extrapolar es igual a la tasa de menor plazo observada, para
aquellos plazos menores a ste, e igual a la tasa de la observacin de mayor plazo
registrada, para los plazos mayores a ste.
22
Figura 3-1: Curva Cero Cupn de Tasas Nominales de Inters en Chile,
estimada por Bootstrap, utilizando tasas de PDBC, para el 19 de Febrero de 2002
La ventaja de este mtodo es su simpleza de estimacin. Sus desventajas
son la baja confiabilidad y la nula interpretacin econmica de las curvas resultantes.
3.2.2 Splines
Una spline de grado k es un conjunto de dos o ms polinomios de grado
k, definidos sobre intervalos contiguos y diferentes, conectados en puntos llamados
nodos. Para asegurar continuidad y suavidad de la curva, polinomios definidos sobre
intervalos adyacentes deben tener igual valor de la funcin interpolante y de las
primeras (k-1) derivadas evaluadas en el nodo que comparten.
La gran ventaja de las splines por sobre el bootstraping es la suavidad de
las curvas estimadas. A medida que se aumenta el grado de la spline, mejora el
ajuste, pues las curvas son capaces de adaptarse mejor a los datos. Por el contrario, el
exceso de flexibilidad, hace que estas curvas oscilen, perdiendo precisin para
valorizar instrumentos no observados, y en ocasiones llegando a predecir tasas
forward negativas. Tpicamente se escogen polinomios cbicos para componer una
spline. En general, las curvas estimadas mediante splines tienen una baja credibilidad
en el ajuste de instrumentos no observados.
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
0 50 100 150 200 250 300 350 400
Plazo (Das)
T
a
s
a

C
e
r
o

C
u
p
n

(
A
n
u
a
l
)
PDBC
23
a) Splines de McCulloch
McCulloch (1971) fue el pionero en el ajuste de splines a ETI. Su mtodo
propona estimar la funcin de descuento mediante un ajuste por splines. As la
funcin de descuento queda representada, en cada intervalo por:
( ) ( ) ( )
0 1
1
k k
j j j j
j j
d t a f t a f t
= =
= = +

(3.6)
, donde k representa el grado de la spline, los f
j
(t) son funciones de los nodos y los a
j
son parmetros a estimar. McCulloch propuso ajustar splines cuadrticas (k=2) por
regresin de mnimos cuadrados, y utiliz funciones f
j
(t) de la forma:
( ) 1,...,
j
j
f t t j k = = (3.7)
, sin embargo, las curvas resultaron muy poco flexibles y tendan a oscilar en el largo
plazo. McCulloch (1975) profundiz la metodologa de estimacin por splines,
sugiriendo utilizar un nmero k de nodos igual a la raz cuadrada del nmero de
datos. Adems, propuso una nueva forma funcional para los f
j
(t) de la forma:
( )
( )
( )
( ) ( ) ( ) ( ) ( )
( )
( )
1
3
1
1
1
2 2 3
1 1
1
1
1 1 1
1 1 1
0
6
6 2 2 6
2
6 2
j
j
j j
j j
j j j j j j j
j j
j
j j
j j j j
j j j
x
x
x
x x x
x x
x
x
x j k
f
+ +
+ +
<

<
= + + <
+ <
(
(3.8)
, en que los
j
corresponden a los nodos de interpolacin. Esto produjo un menor
error de ajuste, pero la forma funcional de los f
j
(t) no tena una base terica y las ETI
resultaron igual de oscilantes que sus antecesoras.
24
b) B-Splines
Los B-splines son funciones, a partir de las cuales se genera una base del
espacio de splines, con lo que cualquier curva cbica a trozos puede ser representada
como combinacin lineal de ellas. Una B-spline se define por la ecuacin recursiva:
( )
( ) ( ) ( ) ( )
| |
( )
1 1
1
1 1
1
0,
1
0
r r
r k k k k r
k
k r k k r k
k k
r
k
d d
T
d d d d
d d
otro caso

+ +
+ + +
+

= +

(3.9)
, en que {d
k
} es un conjunto de nodos. Para obtener splines cbicas, basta hacer r=4.
La base del espacio de splines ser el vector conformado por los
k
para k = 1...K.
c) Smoothing Splines
Este mtodo incluye una penalizacin por variabilidad, para evitar que la
curva oscile entre nodos, estimada por un mtodo general de variacin cruzada, que
considera los errores cometidos al valorizar bonos que son dejados fuera de la
muestra con que se realiza la estimacin. Para esto se incluye una funcin de
penalizacin dependiente del plazo, h(t),de la forma:
( )
2
''
0
T
h d
(3.10)
la cual se aade a la funcin objetivo del problema de minimizar el error cuadrtico
en la estimacin del precio de los bonos observados:
( ) ( )
2
''
1
0
min
T
n
i i
i
p p h d
=
(
+
(

(3.11)
Fisher, Nychka y Zervos (1994) utilizan un parmetro de penalidad, ,
constante. Waggoner (1997) propone que este parmetro vare, siendo diferente para
distintos plazos. Anderson y Sleath (2001), proponen que sea una funcin continua
de la madurez.
25
d) Otros Mtodos de Splines
Existen diversas formulaciones para obtener splines, las cuales apuntan
principalmente a la forma de las funciones f
j
(t). Vasicek y Fong (1982),
argumentaron que una spline polinomial no poda ser forzada a producir curvas con
tendencia exponencial y propusieron una funcin de descuento de la forma:
( )
2 3
0 1 2 3
t t t
t b b e b e b e

= + + + (3.12)
Donde los b
i
y son parmetros a estimar. Lamentablemente los autores
no reportan ningn resultado que permita confirmar sus hiptesis.
3.3 Mtodos Parsimoniosos
Ante el excesivo de nmero de parmetros que deben estimarse en una
spline, surgi el inters por encontrar modelos de los cuales se pudiera inferir la
estructura de tasas de inters (ETI) a partir de un nmero reducido de parmetros, a
los cuales, adems, pudiera drseles alguna interpretacin econmica
3.3.1 Modelo de Nelson & Siegel
Nelson y Siegel (1987) son los primeros en encontrar una forma
funcional que cumpliera con los requisitos antes sealados, y reprodujera las formas
aceptadas en la teora y en la prctica para la ETI, es decir, curvas montonas,
jorobadas (con un monte o un valle) y con forma de S.
Los autores proponen que la tasa forward es la solucin a una ecuacin
diferencial de segundo orden, con races reales e iguales. A partir de ella se deduce la
ecuacin para la tasa cero:
( )
( ) ( )
0 1 2
1 1
t t
t
e e
r t e
t t

| |

|
= + +
|
|
\ .
(3.13)
As, la curva queda definida por 4 parmetros = (
0
,
1
,
2
,).La
interpretacin de los parmetros ser explicada en la seccin siguiente.
26
3.3.2 Modelo de Svensson
Si bien el objetivo de Svensson (1994) no estaba centrado en la
estimacin de estructuras de tasas de inters
4
, ste termina siendo su mayor aporte, al
extender la forma funcional de Nelson y Siegel para la estimacin de tasas forward.
En la prctica, Svensson agrega flexibilidad a la curva, al incluir un
segundo monte o valle. La tasa cero de Svensson queda representada por la ecuacin:
( )
1 1 2
1 2
0 1 2 3
1 1 2
1 1 1
t t t
t t
e e e
r t e e
t t t

| | | | | | | | | |

| | |
| |
\ . \ . \ .
= + + + | |
| |
| |
\ . \ .
(3.14)
Las tasas de corto y largo plazo son idnticas al modelo de Nelson y
Siegel. La interpretacin de los parmetros es la siguiente:

0
: Valor asinttico de largo plazo de la curva. Su valor debe ser positivo.

1
: Valor inicial de la curva por sobre (bajo) su asntota de largo plazo

2
: Determina el sentido de la primera joroba. Si es positivo se forma un
monte, en caso contrario, un valle.

3
: Determina el sentido de la segunda joroba. Anlogo a
2
.

1
: Determina la posicin del primer monte o valle. Su valor debe ser
positivo.

2
: Determina la posicin del segundo monte o valle. Su valor debe ser
positivo.
La gran ventaja de este mtodo es a su mezcla de simplicidad en la
estimacin y buen ajuste a los datos observados.

4
Svensson buscaba encontrar estimadores confiables de las tasas forward, para ser utilizados como
indicadores de apoyo a la gestin de la poltica monetaria.
27
3.4 Exactitud del Ajuste vs. Interpretacin Econmica
Todos los mtodos anteriormente presentados se debaten en un trade-off
entre mejorar el ajuste a los precios observados y contar con curvas, parmetros y/o
funciones de interpolacin, que tengan una interpretacin econmica slida. Mejorar
el ajuste, implica funciones ms engorrosas y mayores recursos computacionales
para la estimacin. A su vez, una base terica slida usualmente implica mayor
rigidez de las funciones a utilizar y una mayor cantidad de datos exgenos al modelo.
Por eso, como seala Anderson y Sleath (2001), a este tipo de modelos se
les exige una valorizacin acertada de los instrumentos observados y estabilidad de
las curvas estimadas, con especial importancia a producir tasas forward confiables.
As, estos mtodos no son utilizados como herramientas exclusivas, sino de apoyo o
complemento a otras metodologas, ya sea para la valorizacin de instrumentos, o la
supervisin de polticas monetarias. Es as que la mayora de los Bancos Centrales de
pases desarrollados ocupan una o ms de estas metodologas, siendo Svensson el
ms utilizado.
3.5 Estudios Anteriores
Shea (1984), compar los splines cbicos de McCulloch (1975) con los
splines exponenciales de Vasicek y Fong (1982), concluyendo que los resultados no
mejoraban si se interpolaba con una funcin exponencial, en vez de una polinomial.
En cambio, resultaba numricamente ms inestable, pues pequeas variaciones en el
parmetro causaban una gran variacin en las tasas forward implcitas.
Bliss (1996), compara cuatro mtodos para estimar estructuras de tasas
de inters: McCulloch (1975), Fisher, Nychka y Zervos (1994), Nelson y Siegel
(1987) y un mtodo propuesto por el autor. La comparacin se hace analizando los
errores cometidos en los precios estimados por cada modelo, especialmente con
datos fuera de la muestra. El estudio concluye que los mtodos tienen un desempeo
comparable en los ajustes dentro de la muestra, siendo el mtodo de Fisher et al. el
nico incapaz de ajustar el corto plazo. Adems se seala que el mtodo que mejor
ajusta el largo plazo fuera de la muestra, corresponde al trabajo del autor.
28
Anderson y Sleath (2001) comparan los modelos de Nelson y Siegel
(1987), Svensson (1994), Fisher et al. (1994) y Waggoner (1997). El trabajo se
enmarca en un estudio para determinar un mtodo que apoye las decisiones de
poltica monetaria del Banco de Inglaterra. El trabajo concluye que el mtodo que
mejor se adapta al mercado britnico es una extensin de Waggoner (1997), con una
funcin continua para el parmetro de penalizacin, dependiente de la madurez.
3.6 El Caso Chileno
No existen muchos antecedentes acerca del uso de modelos que ajusten
una ETI en nuestro pas. Una de las razones es la escasez de datos, pues no existe un
gran registro histrico disponible y, a diferencia de pases desarrollados, los
instrumentos existentes en la actualidad son relativamente nuevos
5
, lo que impide
estudios prolongados, bajo diversas situaciones macroeconmicas.
Herrera y Magendzo (1997) estiman curvas forward semanales,
utilizando Nelson-Siegel, para datos de PRC y PRBC entre marzo y junio de 1996.
Los autores mezclan datos del mercado primario y secundario, y le dan mayor
importancia a la interpretacin econmica del resultado, que a la calidad del ajuste.
Prez (1999) ajusta Svensson a transacciones diarias de PRC, entre el 29
de mayo de 1995 y el 10 de diciembre de 1998, minimizando el error en TIR, por
mnimos cuadrados ordinarios. A su vez, Lefort y Walker (2000) ajustan un modelo
de Nelson-Siegel a datos de bolsa de PRC, PRBC y BR, para el perodo 1992-1998.
Molinare (2002), compara el ajuste a datos de transacciones en bolsa de
PRC, entre 1997 y 2001, por los mtodos de Nelson-Siegel, Svensson y Smoothing
Splines. El estudio presenta un anlisis de los errores de ajuste de los distintos
modelos, as como algunas pruebas de estabilidad de las curvas estimadas.
En esta tesis, por primera vez se estiman estructuras de tasas nominales
para el mercado chileno, mediante Nelson-Siegel y Svensson, y abordndose los
problemas relacionados con la calidad de los datos disponibles para ello.

5
Los PRC, por ejemplo, comenzaron su emisin en 1992.

29
IV ESTIMACIN ESTTICA DE ESTRUCTURAS DE TASAS DE
INTERS NOMINALES
En el presente captulo se explica la metodologa utilizada en esta tesis
para estimar Estructuras de Tasas de Inters (ETI) Nominales, ocupando los modelos
de Nelson & Siegel y Svensson, y se presentan los resultados obtenidos en dicha
estimacin. Para cuantificar la calidad del ajuste de los modelos implementados, se
presentan comparaciones en trminos de errores de ajuste a los datos observados.
4.1 Datos
Para la estimacin de ETI nominales, utilizando modelos estticos, se
han utilizado transacciones de Pagars Descontables del Banco Central (PDBC),
registradas en la Bolsa de Comercio de Santiago (BCS).
Como se mencion en el captulo II, caractersticas propias del mercado
chileno impiden la existencia de precios confiables en forma de cotizaciones
1
, para
instrumentos relacionados con la tasa de inters, que permitan estimar una ETI. De
esta forma, las transacciones registradas de dichos activos constituyen la fuente de
informacin ms confiable de derivados de la tasa de inters, existente en Chile.
4.1.1 Descripcin de la Muestra Utilizada
La muestra utilizada consiste en 110.374 transacciones de PDBC, entre
el 02 de enero de 2001 y el 30 de diciembre de 2002, en un total de 492 das hbiles
bancarios. En lo siguiente, se referir a este panel como Muestra Completa. En el
perodo sealado se realizaron 6.166 transacciones de PDBC en una fecha y a un
plazo diferente, lo que equivale a un promedio de 12,53 madureces diferentes por
da. La muestra contiene transacciones para 449 plazos diferentes, de un total posible
de 734 plazos diferentes a los que podra ser transado un PDBC.

1
El precio al cual se est dispuesto a comprar (vender) un demandante (oferente).

30
Con el objeto de realizar un conjunto de pruebas de ajuste, se ha
considerado un subconjunto de la muestra, correspondiente a un ao de datos, a
partir de la nominalizacin de la economa, que comprende las transacciones
efectuadas entre el 01 de agosto de 2001 y el 31 de julio de 2002, totalizando 246
das hbiles. Esto, pues previo a dicha fecha las tasas nominales eran dependientes
de las tasas reales y de la variacin del IPC, lo que merma la calidad de dichas
observaciones. Se referir a este panel de datos como Muestra Reducida.
En dicho perodo se realizaron 3.115 transacciones de PDBC en una
fecha y a un plazo diferente, con un promedio de 11,66 transacciones de madureces
diferentes por da y, existen observaciones para 323 plazos diferentes del espectro
total de 734 das, que corresponde al mayor plazo al que fue emitido un PDBC
presente en la muestra.
4.1.2 Correccin de los Datos por Efectos de Medios de Pago
En la seccin 2.6.1 se explic la distorsin generada por los medios de
pago de las transacciones en el mercado formal pues, en la prctica, los instrumentos
de Intermediacin Financiera (IF) de muy corto plazo tienen una rentabilidad distinta
a la reportada por la BCS. La distorsin se produce por desfases en los plazos de
liquidacin de pagos en el sistema bancario. Para una correcta estimacin de la ETI
se ha corregido la muestra, eliminando el efecto introducido en las tasas.
Las tasas reportadas por la BCS para las transacciones de instrumentos
de IF se calculan de acuerdo a la ecuacin:
0
1
30
b
R
M
r p
=
+
(6.1)
, la que considera tasas en base lineal con convencin Actual/30. En la ecuacin
anterior r
b
es la tasa reportada por la BCS, p es el plazo al vencimiento, M es el
monto pagado por el comprador y R es el valor de rescate o principal del PDBC. En
la figura 4-1 se presenta un esquema con los flujos de efectivo considerados por la
BCS, para el clculo de las tasas de instrumentos de IF.

31
Figura 4-1: Flujos de efectivo considerados en una transaccin de IF para un
agente bancario, de acuerdo a las tasas reportadas por BCS.
Esta forma de operacin obedece a las convenciones de mercado
utilizadas en la BCS para transar instrumentos de IF, en los remates que all se
efectan. Sin embargo, los operadores de IF consideran los efectos de los medios de
pago al momento de valorizar los pagars, y luego transforman las tasas.
La correccin ha considerado que una institucin financiera que compra
hoy un PDBC, con un plazo de p das a su vencimiento, y lo cancela mediante la
emisin de un Vale Vista (VV), desembolsar la mayor parte del monto de la
operacin slo n das despus, al momento de cancelarse el VV. Una vez que el
PDBC venza, el BC lo cancelar a la institucin mediante un abono en la cuenta
corriente que sta mantenga con el instituto emisor, quedando los fondos disponibles
para el poseedor del instrumento el mismo da del vencimiento.
En la figura 4-2 se presenta un esquema con los flujos de caja
efectivamente involucrados en un transaccin de instrumentos de IF.

p
M
R
Fecha de
Vencimiento
del PDBC Fecha de
Transaccin
das

32
Figura 4-2: Flujos de efectivo involucrados en una transaccin de IF para un
agente bancario, de acuerdo al cronograma real de pagos del instrumento.
La emisin de un VV requiere por ley de un depsito de encaje,
equivalente al 9% del monto total por el cual es emitido. Este valor debe ser
constituido como respaldo, en el BC, el mismo da en que se emite el documento de
pago. Al da hbil bancario siguiente, ser desembolsado el 91% restante del monto.
Este fenmeno provoca un aumento de las compras de PDBC cercanos a su
vencimiento, por parte de bancos, en das viernes y vsperas de festivos.
Para realizar la correccin, se busca aquella tasa de descuento que haga
el Valor Presente de la operacin, para el comprador, igual a cero. Matemticamente,
esto se expresa en la siguiente ecuacin, en que r
c
es la tasa corregida de la
operacin:
0, 91
0, 09 0
1 1
30 30
c c
R M
M
r p r n
=

+ +
(6.2)
En la figura 4-3 pueden apreciarse los efectos que provoca en las tasas,
dependiendo del plazo, la correccin por efectos de medios de pago.

n
p
0,09 M
0,91 M
R
Fecha de
Vencimiento
del PDBC
Fecha de
Transaccin
Fecha de
Liquidacin VV
dias

33
Figura 4-3: Correccin por Efectos de Medios de Pago para los PDBC
transado en BCS, Viernes 30/11/2001, considerando compras de un agente bancario.
Como puede observarse en la figura, los efectos de la correccin son
significativos en el corto plazo. En general, transcurre un da entre la transaccin y la
fecha de cobro del VV. En la muestra utilizada en esta tesis, el PDBC de mayor
plazo afectado posea vencimiento de 105 das, y la mayor correccin aplicada es de
132 puntos bases, para un PDBC con 4 das de plazo. Para transacciones efectuadas
en das viernes, en que transcurren tres das hasta el cobro del VV, al PDBC de
mayor plazo afectado le restaban 300 das para su vencimiento, y la mayor
correccin aplicada es de 360 puntos base, para un PDBC con 4 das de plazo.
4.1.3 Uso de un Ancla en el Corto Plazo
Debido a la alta volatilidad que presentan los PDBC muy cercanos a su
madurez
2
, se ha optado por realizar una prueba, sobre la Muestra Reducida,
eliminando de la estimacin las transacciones de instrumentos con menos de 4 das
restantes para su vencimiento. De este modo se evita que las distorsiones que afectan
slo al corto plazo se propaguen en la estimacin de las tasas de mayor plazo.

2
Influidos, principalmente, por los efectos de los medios de pago y la restriccin de reserva tcnica.
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
8,00%
0 50 100 150 200 250 300 350
Plazo (Das)
T
a
s
a

(
L
i
n
e
a
l

A
n
u
a
l
i
z
a
d
a
)
Tasa PDBC Reportada por BCS Tasa PDBC Corregida

34
Sin embargo, eliminar estos datos de la muestra produce un excesivo
grado de libertad en el corto plazo, por lo que se opt por incluir la tasa para
prstamos interbancarios a un da, reportada por el BC. De esta manera, se busca
anclar la ETI estimada a la tasa observada en el mercado.
4.2 Metodologa de Estimacin de la Estructura de Tasas de Inters
Para ajustar una curva cero cupn se minimiza el error cuadrtico
entre las tasas estimadas y las tasas observadas. Como sugiere Svensson (1994), la
utilizacin de datos de tasas de inters provee una mayor estabilidad a las curvas de
tasas en el corto plazo, que utilizar datos de precios de bonos para el mismo efecto.
Para cada da se cuenta con m observaciones de tasas de PDBC, y se
buscan los parmetros correspondientes a los modelos de Nelson & Siegel (NS) y
Svensson (SV), que minimicen una funcin objetivo de la forma:
( )
2
1
min ( )
m
i i
i
r r
=

(6.3)
, en que r
i
es la tasa observada y
( )
i
r es la tasa estimada por el modelo.
Se realiz, adems, una prueba minimizando el error cuadrtico en
precios, sobre la muestra reducida. Dado que los pagars son bonos de descuento,
esto equivale a minimizar el error cuadrtico en la funcin de descuento:

( )
2
1

min ( )
m
i i
i
d d
=

(6.4)
, d
i
es el precio del PDBC observado y
( )

i
d el factor estimado por el modelo. Para
esta estimacin, se ha aprovechado que el valor de la funcin de descuento en t=0 es
conocido e igual a uno.

35
4.3 Interfaz Computacional de la Estimacin
La estimacin de los modelos de NS y SV fue desarrollada en una
interfaz MSExcel, mediante la implementacin de libreras dinmicas en lenguaje
Fortran y rutinas en lenguaje VBA. Para resolver el problema de minimizacin de
errores cuadrticos se ha hecho uso del Solver que incorpora dicha aplicacin.
4.4 Resultados de la Estimacin
En esta seccin se detallan los resultados ms relevantes de la estimacin
de ETI nominales, realizada mediante un ajuste de los modelos sealados a datos
observados en el mercado chileno.
4.4.1 Errores de Ajuste en la Estimacin dentro de la Muestra
Para cuantificar la calidad del ajuste de las estimaciones a las
transacciones observadas se han utilizado tres medidas estndar de medicin de
errores:
( ) ( )
( )
( ) ( )
2
1
1
1
1
n
i i
i
n
i i
i
n
i i
i
RMSE r r
n
MAE r r
n
ME r r
n
=
=
=
=
=
=
(6.5)
Las siglas corresponden a la raz del error cuadrtico medio (RMSE), al
error absoluto medio (MAE) y al error medio o sesgo (ME)
3
, respectivamente.
a) Errores de Ajuste para la Muestra Completa de Tasas Nominales de Inters
La tabla IV.1 resume los errores de ajuste para la muestra completa de
los modelos de NS y SV.

3
En ingls, Root Mean Square Error, Mean Absolute Error y Mean Error, respectivamente.

36
Tabla IV.1: Resumen de indicadores de errores de ajuste en tasa de la
ETI, para la Muestra Completa de tasas de inters nominales en Chile, en el
perodo comprendido entre Enero 2001y Diciembre 2002.
Error Promedio ME MAE RMSE
Nelson & Siegel -0,0001% 0,0064% 0,0487%
Svensson -0,00001% 0,0041% 0,0236%
Ambos mtodos producen una estimacin insesgada de las tasas de
inters, y se aprecia que los errores absolutos medios son menores a un punto base.
De esta tabla se desprende que el modelo de SV ajusta, en promedio, mejor que NS,
lo que se explica por la mayor flexibilidad de su forma funcional. Esta diferencia se
aprecia mejor en las figuras 4-4 y 4-5, en las cuales se comparan ambos modelos en
trminos de MAE y RMSE. Es posible constatar que los errores son mayores en el
corto plazo, producto de la volatilidad propia de los instrumentos cercanos al
vencimiento y de las caractersticas ya sealadas del mercado chileno. La figura 4-6
muestra el sesgo por plazo, para cada modelo. En ella se aprecia que el error de
estimacin se sita en torno a cero, en ambos casos.
Figura 4-4: MAE por plazo, para los modelos de NS y SV, para Muestra
Completa de tasas de inters nominales, Enero 2001 Diciembre 2002.
0,00%
0,02%
0,04%
0,06%
0,08%
0,10%
0,12%
0,14%
0,16%
0,18%
0,20%
0 100 200 300 400 500 600 700
PLAZO (DIAS)
E
R
R
O
R

A
B
S
O
L
U
T
O

(
T
A
S
A
)

MAE NS MAE SV

37
Figura 4-5: RMSE por plazo, para los modelos de NS y SV, para Muestra
Figura 4-6: ME por plazo, para los modelos de NS y SV, para Muestra
-0,20%
0,00%
0,20%
0,40%
0,60%
0,80%
1,00%
1,20%
0 100 200 300 400 500 600 700
PLAZO

E
R
R
O
R

(
T
A
S
A
)

RMSE NS RMSE SV
-0,06%
-0,05%
-0,04%
-0,03%
-0,02%
-0,01%
0,00%
0,01%
0,02%
0 100 200 300 400 500 600 700
PLAZO
E
R
R
O
R

P
R
O
M
E
D
I
O

(
T
A
S
A
)
ME NS ME SV

38
De las figuras anteriores, se concluye que ambos mtodos ajustan
estimadores insesgados de las tasas de inters nominales, pero el modelo de NS lo
hace incurriendo en errores con mayor varianza y de mayor magnitud para plazos
ms lejanos al vencimiento, que aquellos de SV.
b) Errores de Pruebas de Ajuste sobre la Muestra Reducida de Tasas Nominales
Para cuantificar la calidad de ajuste de los modelos, se han realizado
pruebas sobre tres conjuntos de datos diferentes, los cuales tienen como base la
Muestra Reducida de tasas de inters nominales. El primer panel se obtiene
transformando las tasas de la muestra reducida en precios, y se estiman ETI
minimizando el error cuadrtico en precios, para luego reportar el error de ajuste
cometido en tasas. A este panel se le denomina Panel de Precios. El segundo panel se
obtiene eliminando las transacciones de menos de 4 das de plazo de la Muestra
Reducida, y agregando, para todos los das, la observacin de la tasa interbancaria de
inters. A este panel se le denomina Panel con Ancla. Finalmente, el ltimo panel
corresponde a la Muestra Reducida de tasas de inters nominales. La estimacin de
ETI con los ltimos dos paneles se realiza minimizando el error cuadrtico en tasas.
La tabla IV.2 resume los resultados para el modelo de Nelson & Siegel, mientras la
tabla IV.3 hace lo propio con el modelo de Svensson.
Tabla IV.2: Resumen de indicadores de errores de ajuste en tasa de las
ETI, estimadas mediante el modelo de Nelson & Siegel, ocupando tasas de
inters nominales del mercado chileno, perodo Agosto 2001 Julio 2002.
Nelson & Siegel ME MAE RMSE
Muestra Reducida: Estimacin en Precios, sin Ancla -0,0225% 0,0428% 0,1589%
Muestra Reducida: Estimacin en Tasas, con Ancla -0,0001% 0,0049% 0,0253%
Muestra Reducida: Estimacin en Tasas, sin Ancla 0,000003% 0,0069% 0,0405%
Muestra Completa: Estimacin en Tasas, sin Ancla -0,0001% 0,0064% 0,0487%

39
Tabla IV.3: Resumen de indicadores de errores de ajuste en tasas de ETI,
estimadas mediante el modelo de Svensson, ocupando tasas de inters nominales
del mercado chileno, perodo Agosto 2001 Julio 2002.
Svensson ME MAE RMSE
Muestra Reducida: Estimacin en Precios, sin Ancla -0,0220% 0,0604% 0,2521%
Muestra Reducida: Estimacin en Tasas, con Ancla 0,00004% 0,0039% 0,0198%
Muestra Reducida: Estimacin en Tasas, sin Ancla -0,0001% 0,0044% 0,0223%
Muestra Completa: Estimacin en Tasas, sin Ancla -0,00001% 0,0041% 0,0236%
En ambas tablas se aprecia que las estimaciones que minimizan errores
cuadrticos en tasas, presentan un mejor desempeo en las medidas de error que
aquellas que minimizan errores cuadrticos en precios, consecuentemente con el
hecho de que los errores presentados se miden en trminos de tasas de inters, no en
precios. Adems, eliminar las transacciones de bonos cercanos a su madurez, junto
con incluir un ancla de corto plazo, reduce el error global de ajuste de los modelos,
lo que se explica por la baja estabilidad temporal que presentan los niveles de las
tasas de muy corto plazo en la muestra.
En las figuras 4-7 y 4-8 es posible apreciar grficamente el desempeo
de cada una de las estimaciones. La figura 4-7 muestra una comparacin del RMSE
para las estimaciones del modelo de SV, utilizando los paneles de datos obtenidos a
partir de la muestra reducida. En esta figura se observa que los errores de la
estimacin que minimiza errores en los precios, para el rango de plazos menores a un
ao, son sustancialmente mayores que los errores de aquellas estimaciones que
minimizan errores en tasa. La razn radica en la relacin entre las tasas de inters y
los factores de descuento, la cual es inversamente proporcional al plazo, por lo que
pequeos errores en el ajuste de precios, son amplificados al ser transformados a
tasas. La figura 4-8 presenta una comparacin en trmino de MAE para las
estimaciones del modelo de NS, utilizando los paneles de datos obtenidos a partir de
la Muestra Reducida. De ella se desprenden idnticas conclusiones a las sealadas
anteriormente para el modelo de Svensson.

40
Figura 4-7: Comparacin de RMSE por plazo, para el modelo de Svensson,
nominales de inters, Agosto 2001 Julio 2002.
Figura 4-8: Comparacin RMSE por plazo, para el modelo de Nelson & Siegel,
nominales de inters, Agosto 2001 Julio 2002.
-0,20%
0,00%
0,20%
0,40%
0,60%
0,80%
1,00%
1,20%
1,40%
0 100 200 300 400 500 600 700 800
PLAZO (DAS)
E
R
R
O
R

(
T
A
S
A
)
RMSE SV Precios RMSE SV Ancla RMSE SV
0,00%
0,05%
0,10%
0,15%
0,20%
0,25%
0,30%
0 100 200 300 400 500 600 700 800
PLAZO (DIAS)
E
R
R
O
R

A
B
S
O
L
U
T
O

(
T
A
S
A
)
MAE NS Precios MAE NS Ancla MAE NS

41
En las figuras se corrobora que para ambos modelos, las estimaciones en
tasas presentan menores errores promedio en tasa que la estimacin en precios.
Adems, la eliminacin de las transacciones ms cortas, mejora el desempeo de los
modelos en dicha parte del espectro temporal. Nuevamente, el modelo de Svensson
produce un mejor ajuste, en trminos de errores promedios, que el modelo de Nelson
& Siegel.
En general, estos mtodos de ajuste esttico dependen de la calidad y
cantidad de datos, no de la funcin objetivo a minimizar para la estimacin de
parmetros. En el anexo G se presenta mayor detalle de los errores de estimacin.
4.4.2 Errores de Ajuste Fuera de Muestra
Para comprobar la estabilidad de los modelos utilizados, se ha realizado
una prueba de valorizacin de instrumentos fuera de muestra. Esto consiste en quitar
de la muestra, para un da, un bono y estimar los parmetros que mejor ajusten al
resto de las transacciones observadas, para luego registrar el error en la valorizacin
del instrumento excluido. Esta operacin se repite para todos los pagars observados
y para todos los das en la muestra, y luego se registran los promedios de errores
cometidos. En la tabla IV.4 se resumen los resultados de dicha prueba estadstica.
Tabla IV.4: Resumen de indicadores de errores de ajuste en tasa,
fuera de muestra, para Muestra Reducida de tasas de inters nominales en Chile
Error Promedio ME MAE RMSE
Nelson & Siegel 0,0080% 0,0236% 0,0752%
Svensson 0,0357% 0,2251% 0,4452%
Como puede observarse, ambos mtodos empeoran notablemente su
desempeo, con respecto a los errores cometidos al interior de la muestra. Esto es
producto del tipo de ajuste que se utiliza para estimar estos modelos, el cual es
dependiente de los datos utilizados, y de la alta volatilidad que presentan las tasas de
los PDBC.

42
4.4.3 Errores de Ajuste en Das Seleccionados
Para comprobar el desempeo de los mencionados modelos de
estimacin de estructuras de tasas de inters, se han seleccionado tres subconjuntos
de das, correspondientes a aquellos das en que se registr un nmero suficiente de
transacciones, adecuadamente repartidas en el espectro de plazos, tratando de
replicar una situacin de un mercado ms completo que el chileno.
a) Primer Subconjunto, 23,98% de los das
Se eligieron todos aquellos das en los que existiera al menos una
transaccin en los siguientes rangos de plazos: menos de 10 das, entre 11 y 28 das,
entre 30 y 90 das, entre 90 y 180 das, entre 180 y 300 das, y ms de 301 das de
plazo. Esto result en un subconjunto de 118 das o un 23,98 de los das.
b) Segundo Subconjunto, 40,44% de los das
entre 30 y 100 das, entre 101 y 240 das, y ms de 2410 das de plazo. Esto result
en un subconjunto de 199 das o un 40,44% de los das.
c) Tercer Subconjunto, 44,72% de los das
entre 66 y 170 das, y ms de 171 das de plazo. Esto result en un subconjunto de
220 das o un 44,72% de los das.
La tabla IV.5 presenta los errores de ajuste para el modelo de Nelson &
Siegel, mientras la tabla IV.6 presenta idntica informacin para el modelo de
Svensson.

43
para estimaciones del modelo de Nelson & Siegel, para subconjuntos de das
seleccionados de una muestra de tasas de inters nominales en Chile
Nelson & Siegel RMSE MAE ME
Primer Subconjunto, 23,98% de los das 0,03015% 0,00258% 0,00047%
Segundo Subconjunto, 40,44% de los das 0,04005% 0,00392% 0,00034%
Tercer Subconjunto, 44,72% de los das 0,04003% 0,00417% 0,00033%
para estimaciones del modelo de Svensson, para subconjuntos de das
seleccionados de una muestra de tasas de inters nominales en Chile
Svensson RMSE MAE ME
Primer Subconjunto, 23,98% de los das 0,01547% 0,00158% 0,00015%
Segundo Subconjunto, 40,44% de los das 0,02091% 0,00256% -0,00004%
Tercer Subconjunto, 44,72% de los das 0,02064% 0,00273% -0,00004%
En las tablas anteriores se aprecia que el error de ajuste del modelo de
Svensson es menor, en todos los casos, a los errores de ajuste del modelo de Nelson
& Siegel, al contrario de lo ocurrido al realizar estimaciones con la Muestra
Completa de datos y de las pruebas realizadas con la Muestra Reducida de datos.
Este resultado reafirma la intuicin, de que un modelo con mayor flexibilidad es
capaz de ajustarse mejor a los datos.
A su vez, estos errores son muy inferiores a los presentados en las tablas
IV.2 y IV.3, lo que comprueba el buen desempeo de stos modelos de estimacin
ante la presencia de datos contra los cules calibrarse, y que adems se encuentren
bien distribuidos en el rango de plazos para el cual se desea estimar una estructura de
tasas de inters.

44
4.4.4 Volatilidades Estimadas
Un problema experimentado con los modelos de ajuste esttico es su
sobreestimacin de la volatilidad observada en las tasas de inters. En la figura 4-9
se observa que las volatilidades estimadas para la totalidad de la muestra,
consistentemente sobreestiman a aquellas observadas. Esto se explica por la
naturaleza de stos mtodos de ajuste, pues minimizan el error de estimacin en
aquellos precios observados, teniendo completa libertad para estimar tasas en
aquellos plazos no observados. Adems, dada la baja presencia de plazos especficos
en la muestra, la gran mayora de las tasas estimadas para cada plazo han sido
calibradas sin ajustarse a una observacin, obtenindose tasas ms voltiles que en el
caso de un panel completo de datos
4
. La tabla IV.7 muestra un resumen de los datos
presentados en la figura 4-9, volatilidades observadas y estimadas en plazos
representativos del espectro de madurez.
Figura 4-9: Volatilidad de las tasas de inters nominales estimadas por los
modelos de Nelson & Siegel y Svensson, para la muestra completa de tasas de
inters nominales de PDBC, Enero 2001 Diciembre 2002.

4
En el 45,09% de los das considerados en la muestra no existen observaciones con plazos mayores a
240 das y en un 31,83% de los das no se registraron transacciones con plazos entre 65 y 210 das.
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
3,00%
3,50%
4,00%
0 50 100 150 200 250 300 350
PLAZO (DIAS)
V
O
L
A
T
I
L
I
D
A
D

(
T
A
S
A
)
PDBC Nelson & Siegel Svensson

45
Tabla IV.7: Comparacin de volatilidad observada en muestra de
tasas de inters nominales, y volatilidades estimadas por los modelos de Nelson
& Siegel y Svensson, perodo Enero 2001 Diciembre 2002.
PLAZO MUESTRA Nelson & Siegel Svensson
1 8,699% 235,475% 1658,828%
2 2,879% 49,983% 457,497%
3 4,322% 13,262% 123,245%
4 2,284% 4,726% 31,291%
5 2,196% 3,129% 7,555%
7 2,198% 2,695% 2,574%
10 2,018% 2,610% 2,674%
14 1,911% 2,631% 3,010%
21 2,042% 2,624% 3,341%
30 1,980% 2,519% 3,246%
40 1,889% 2,379% 2,809%
50 1,896% 2,263% 3,115%
60 1,884% 2,176% 5,049%
75 1,930% 2,089% 10,067%
90 1,832% 2,037% 16,756%
115 1,526% 1,994% 30,723%
150 1,540% 1,982% 54,833%
190 1,428% 2,009% 86,928%
230 1,516% 2,072% 121,951%
270 1,829% 2,172% 158,343%
315 1,911% 2,330% 199,441%
360 1,893% 2,532% 239,499%
Al analizar en detalle la estimacin de la volatilidad, se observa que sta
mejora al utilizarse perodos con mayor nmero de transacciones por da. En las
figuras 4-10 y 4-11, se presentan las estimaciones de volatilidad para 2001 y 2002.
En 2001 el promedio diario de transacciones alcanz a 4,82 transacciones de PDBC
a plazos distintos por da, mientras que en 2002, esta cifra se eleva a 12,17.

46
modelos de Nelson & Siegel y Svensson, para la muestra de tasas de inters
nominales de PDBC, Enero 2001 Diciembre 2001.
modelos de Nelson & Siegel y Svensson, para la muestra de tasas de inters
nominales de PDBC, Enero 2002 Diciembre 2002.
La figura 4-10 presenta una estimacin de volatilidad muy similar a la
estimacin de la figura 4-9, en que la volatilidad a todos los plazos es sobreestimada
por el modelo de Nelson & Siegel, mientras que el modelo de Svensson, para plazos
mayores a 60 das, simplemente se escapa del rango de comparacin.
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
3,00%
3,50%
4,00%
0 50 100 150 200 250 300 350
PLAZO (DIAS)
V
O
L
A
T
I
L
I
D
A
D

(
T
A
S
A
)
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
3,00%
3,50%
4,00%
0 50 100 150 200 250 300 350
PLAZO (DIAS)
V
O
L
A
T
I
L
I
D
A
D

(
T
A
S
A
)

47
En la figura 4-11 puede apreciarse que el modelo de Svensson produce
estimaciones de volatilidad muy similares a las observadas en plazos menores a 120
das, mientras Nelson & Siegel es capaz de replicar la volatilidad de las tasas con
plazos de hasta 180 das. Sin embargo en el 47,96% de los das del ao 2002 no
existen transacciones a plazos mayores a 210 das, lo que claramente influye en la
estimacin de las volatilidades de las tasas de inters nominales a dichos plazos. Esto
queda an mejor ejemplificado si consideramos el segundo subconjunto de datos
(40,44% de los das), descrito en la seccin anterior. En la figura 4-12 se aprecia
como los errores de estimacin de volatilidad se reducen considerablemente.
La tabla IV.8 complementa esta comparacin, presentando las
volatilidades observadas y estimadas, para el segundo subconjunto de datos,
presentado en la seccin anterior. En ella puede apreciarse que salvo la parte ms
corta de la curva (transacciones de menos de 7 das de plazo), los modelos de Nelson
& Siegel y Svensson lograr reproducir adecuadamente la estructura de volatilidad
presente en los datos. Se observa, adems, que las estimaciones de volatilidad del
modelo de Svensson son generalmente mayores a aquellas de Nelson & Siegel.

Figura 4-12: Volatilidad de las tasas de inters nominales estimadas por
los modelos de Nelson & Siegel y Svensson, del segundo Subconjunto de datos de la
muestra de tasas de inters nominales de PDBC, Enero 2001-Diciembre 2002.
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
0 50 100 150 200 250 300 350
PLAZO (DIAS)
V
O
L
A
T
I
L
I
D
A
D

(
T
A
S
A
)
PDBC N & S Svensson

48
Tabla IV.8: Comparacin de volatilidad observada en un subconjunto de
la muestra de tasas de inters nominales, correspondiente al 40,44% de los das del
perodo Enero 2002 Diciembre 2002, y volatilidades estimadas por los modelos de
Nelson & Siegel y Svensson para dichos das.
PLAZO MUESTRA Nelson & Siegel Svensson
1 11,96% 150,45% 13,28%
2 2,78% 11,53% 5,48%
3 5,65% 4,65% 4,94%
4 2,16% 3,73% 4,44%
5 1,95% 3,19% 3,72%
7 1,97% 2,85% 3,15%
10 2,32% 2,63% 2,81%
14 2,01% 2,48% 2,63%
21 2,33% 2,39% 2,56%
30 2,40% 2,33% 2,52%
40 1,94% 2,29% 2,50%
50 2,23% 2,26% 2,49%
60 2,50% 2,24% 2,46%
75 2,23% 2,22% 2,44%
90 2,09% 2,21% 2,41%
115 2,16% 2,13% 2,25%
150 2,13% 2,01% 2,05%
190 2,03% 1,91% 1,91%
230 2,06% 1,84% 1,82%
270 1,92% 1,79% 1,76%
315 1,95% 1,74% 1,71%
360 1,87% 1,71% 1,69%

49
4.4.5 Estructuras de Tasas de Inters Nominales Estimadas
En esta seccin se presentan las ETI estimadas, mediante los modelos de
NS y SV, para todos los datos de PDBC disponibles.
La figura 4-12 muestra las ETI promedio estimadas para la muestra,
utilizando los modelos de Nelson & Siegel y Svensson. Debido a la alta volatilidad
de los datos disponibles para el ao 2001, se ha optado por presentar las estructuras
promedio para el 2002
Figura 4-13: ETI nominales promedio, estimadas utilizando los modelos de NS
y SV con datos de transacciones de PDBC, para el ao 2002
Las figuras 4-14 y 4-15 muestran estimaciones de la ETI para das
especficos, utilizando el modelo de Nelson & Siegel. La figura 4-13 es el caso de un
da en el que existen suficientes transacciones y adecuadamente repartidas en el
espectro de madurez, permitiendo la estimacin de una estructura de tasas de inters
que refleja los niveles de tasas observados. La figura 4-14 es el caso de un da en que
slo existen transacciones en la parte corta de la curva, por lo que la estructura de
tasas estimada no produce tasas confiables para aquellos plazos mayores al de
aquella observacin de mayor plazo observada..
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
0 100 200 300 400 500 600 700
PLAZO (DIAS)
T
A
S
A

(
A
N
U
A
L

C
O
N
T
I
N
U
A
)
NS 2002 SV 2002

50
Figura 4-14: ETI Nominal, estimada utilizando el modelo de NS con tasas de
PDBC, para el 26/08/2002.
Figura 4-15: ETI Nominal, estimada utilizando el modelo de NS con tasas de
0,00%
1,00%
2,00%
3,00%
4,00%
0 0,5 1 1,5 2
PLAZO (AOS)
T
A
S
A

(
A
N
U
A
L

C
O
N
T
I
N
U
A
)
NS PDBC
0,00%
1,00%
2,00%
3,00%
4,00%
0 0,5 1 1,5 2
PLAZO (AOS)
T
A
S
A

(
A
N
U
A
L

C
O
N
T
I
N
U
A
)
NS PDBC

51
Las figuras 4-16 y 4-17 presentan similares resultados, esta vez,
utilizando el modelo de Svensson. En la primera se aprecia que ste modelo es ms
flexible, permitiendo a la ETI dos jorobas para ajustarse a los datos, y de esta manera
paliar la alta volatilidad que presentan los datos en el corto plazo. Sin embargo, esta
flexibilidad puede provocar mayores oscilaciones de la tasa de inters ante la
ausencia de datos, y producir resultados que carezcan de interpretacin econmica,
como se aprecia en la ltima figura.
Figura 4-16: ETI Nominal, estimada mediante el modelo de SV con tasas de
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
3,00%
3,50%
4,00%
4,50%
0 0,5 1 1,5 2
PLAZO (AOS)
T
A
S
A

(
A
N
U
A
L

C
O
N
T
I
N
U
A
)
SV PDBC

52
Figura 4-17: ETI Nominal, estimada utilizando el modelo de SV con tasas de
PDBC, para el 25/01/2002
En las cuatro figuras anteriores, es posible observar una caracterstica
muy importante de los modelos de ajuste esttico, y es que en la medida que existan
transacciones, el modelo se ajusta adecuadamente la ETI. Cuando no existen
observaciones a las cuales ajustar estimaciones, los parmetros estimados slo
reflejarn el ajuste para aquellos precios observados.
4.5 Conclusiones Preliminares para la Estimacin de ETI Nominales
mediante Modelos Estticos
De los resultados presentados es posible inferir que los modelos de
Nelson & Siegel y Svensson son capaces de representar adecuadamente la estructura
de tasas de inters nominal en Chile, cuando existe un nmero de transacciones
adecuadamente disperso en el espectro de plazo. Bajo estas condiciones, los modelos
son, adems, capaces de replicar la estructura de volatilidades observada en el
mercado.
Esto se desprende del anlisis de subconjuntos de datos de la muestra
utilizada para la investigacin, los cuales presentan condiciones adecuadas para el
uso de los modelos ya sealados.
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
0 0,5 1 1,5 2
PLAZO (AOS)
T
A
S
A

(
A
N
U
A
L

C
O
N
T
I
N
U
A
)
SV PDBC

53
Se observa adems, que se obtienen mejores indicadores de error de
ajuste en tasa, al realizarse estimaciones que minimicen errores cuadrticos en tasa
en vez de precios o factores de descuento, esto debido a la dispersin que se observa
en las transacciones de bonos con madurez muy cercana a su vencimiento, lo cual no
es captado por una estimacin que minimiza errores en precios, que privilegia
minimizar los errores cuadrticos de largo plazo por sobre los de corto plazo.
El modelo de Svensson produce curvas con menores errores de ajuste
que Nelson & Siegel, debido a la mayor flexibilidad en su forma funcional. Sin
embargo, ante la ausencia de datos, puede producir estimaciones menos verosmiles
que Nelson & Siegel.
Estudios anteriores, como Molinare (2002), tambin prueban el
desempeo de estos modelos. Sin embargo la magnitud de los errores no es
comparable, debido a la naturaleza de los datos utilizados en ambos estudios.
Molinare utiliza tasas reales de inters, con plazos entre 1 y 20 aos de madurez, y
con un mayor tamao muestral. La variacin de las tasas de los bonos de largo plazo
es menor que aquellas de papeles de corto plazo. Adems, dado el plazo, los efectos
introducidos por los medios de pago no son relevantes para su estudio. Si se
observan efectos similares en la estimacin de tasas para bonos intencionalmente
dejados fuera de la muestra, pues como se seal, el ajuste de este tipo de modelo
depende fuertemente de la cantidad y calidad de los datos disponibles.
54
V MODELOS DINMICOS DE ESTRUCTURAS DE TASAS DE
INTERS
En el captulo III se mencion que los modelos estticos, en su bsqueda
por un ajuste a los datos observados en un cierto perodo, dejan de lado la evolucin
que presentan las tasas de inters en el tiempo. De esta manera se desaprovecha
informacin valiosa que se encuentra contenida en sus procesos dinmicos.
El estudio de la dinmica que siguen las tasas de inters busca no slo
explicar la estructura de tasas, sino adems, el comportamiento de las volatilidades
de dichas tasas y los efectos que relacionan los tipos de inters de plazos diferentes.
Para esto, los modelos dinmicos son generalmente calibrados con datos histricos, a
partir de los cuales pueden ser inferidos los distintos efectos mencionados.
En este captulo se presentan los fundamentos tericos que relacionan al
precio de un bono con la dinmica de tasas de inters. Adems, se presenta una
revisin de los diferentes modelos dinmicos propuestos para explicar la evolucin
de los tipos de inters, con especial nfasis en el modelo de Cox, Ingersoll y Ross
(CIR), utilizado en esta tesis para estimar la estructura de tasas de inters en Chile.
5.1 Arbitraje, Valoracin Neutral al Riesgo y Dinmica de Tasas de
Inters
Como se mencion en la seccin 3.1, la tasa de descuento para un plazo
T, observada en el instante t, R(t,T), puede ser relacionada con el precio en t de un
bono de descuento que vence en T, P(t,T), a travs de la ecuacin:
( )
( ) ( ) ,
,
R t T T t
P t T e

= (5.1)
A su vez, la tasa de corto plazo se define como la tasa para prstamos con
vencimiento instantneo, es decir:
( ) lim ( , )
T t
r t R t T
= (5.2)
55
De esta forma, podemos considerar cualquier bono de descuento que
venza en T, como una inversin renovable en sucesivos bonos de vencimiento
instantneos. Este precio, expresado en funcin de la tasa de corto plazo es:
( )
( )
,
T
t
r d
P t T e

= (5.3)
Si aplicamos la condicin de no arbitraje, el precio de cualquier derivado
de la tasa de inters que devengue pagos en el futuro, puede ser sintetizado a partir
de los precios de los bonos presentes en el mercado. Es decir, el valor del derivado
estar directamente relacionado a la dinmica que siga la tasa instantnea.
Al ser posible replicar los pagos del derivado, se hace factible realizar
una estrategia de cobertura contra la exposicin al riesgo de ste, lo que permite
eliminar la incertidumbre relativa a su valor. Este razonamiento se basa en el
supuesto que no se exige premio alguno por la incertidumbre acerca del valor futuro
de la tasa de corto plazo.
Esto se hace a travs de la valorizacin neutral al riesgo, que implica
calcular el valor esperado de los flujos que entrega el derivado, bajo una medida de
probabilidad que considera que todos los agentes de la economa son neutrales al
riesgo, es decir, no exigen compensacin por asumir riesgo, por lo que el retorno de
la inversin, bajo la probabilidad ajustada por riesgo, debe ser igual a la tasa libre de
riesgo. Entonces, bajo este marco, el precio del bono debe ser expresado como:
( )
( )
,
T
t
r d
Q
t
P t T E
e

(
=
(
(

(5.4)
, donde E
Q
t
[] representa la esperanza, calculada utilizando el conjunto o medida de
probabilidad ajustada por riesgo, Q. As, el valor de un instrumento derivado en el
instante t, dependiente de la tasa de inters de corto plazo, que vence en T y que
entrega flujos g(r(t),t,T) se puede calcular utilizando la valorizacin neutral al riesgo:
( ) ( )
( )
( ) { }
, , ,
t
T
r ds
Q
t
t
V t r t E g r T d
e

=
(
(

(5.5)
56
, de esta forma es posible deducir el precio de los bonos y obtener las tasas spot:
( )
( )
( )
ln
,
T
t
r d
Q
t
E
R t T
T t
e

| | (
|
(
|
(
\ .
=
(5.6)
, es decir, es posible expresar la estructura de tasas a partir de la dinmica de la tasa
de corto plazo y la medida de probabilidad ajustada por riesgo Q. Una ventaja de esta
valorizacin es que no es necesario especificar las preferencias de los usuarios. Cabe
sealar que si bien se est utilizando valorizacin neutral al riesgo y no se estn
considerando las preferencias o premios por riesgo exigidos por los agentes, el valor
obtenido para el precio de un bono es el correcto, pues se est descontando por una
tasa libre de riesgo, como se seala en Cox, Ingersoll, Ross (CIR, 1985a).
5.2 Modelos Estocsticos de Tasas de Inters
La teora financiera moderna modela el comportamiento de variables
observadas en el mercado como procesos estocsticos, los cuales pueden o no tener
algn componente determinstico. Este es el caso de la tasa de inters de corto plazo,
la que suele modelarse en base a un movimiento browniano
1
. Tpicamente la
evolucin de la tasa de corto plazo se modela de acuerdo una ecuacin del tipo:
( ) ( ) ( ) , ,
t
dr t r t dt r t dW = + (5.7)
En la ecuacin anterior y son funciones de parmetros que se
calibran de acuerdo a la evolucin histrica de las tasas de inters. A se le conoce
como drift o tendencia, y es la volatilidad de la tasa de inters. Esto nos indica que
los cambios en la tasa de corto plazo dependen de una funcin conocida del tiempo y
de shocks aleatorios.

1
En el anexo C se describe con mayor detalle el movimiento browniano y otros elementos de clculo
estocstico
57
Si bien existe consenso en modelar la dinmica de la tasa de corto plazo
como un proceso de difusin, el marco terico general que rodea dicho proceso
posee varias teoras alternativas para obtener la estructura de tasas de inters (ETI).
5.2.1 Modelos de Equilibrio
Estos modelos derivan la estructura de tasas de inters como parte de un
problema microeconmico general de maximizacin de utilidad, en la que se definen
funciones de preferencia y de produccin, las cuales dependen de los procesos que
siguen las variables macro que definen el estado de la economa.
Aqu, el precio de mercado del riesgo
2
puede ser definido explcitamente,
y depender de preferencias, dotaciones o procesos productivos especificados para la
economa. La estimacin de los parmetros se realiza a partir de datos histricos.
Estos modelos son utilizados usualmente en la prctica para determinar
las causas econmicas de la evolucin de las ETI, explicar la forma adoptada por
ellas y ser ocupados como base de los modelos de arbitraje, mas que para valorizar
instrumentos derivados de la tasa de inters. Ejemplos clsicos de modelos de
equilibrio son los propuestos por Vasicek (1977) y Cox, Ingersoll y Ross (1985b).
5.2.2 Modelos de Arbitraje
La teora tras estos modelos, busca paliar una deficiencia de los modelos
de equilibrio, los cuales no valorizan correctamente todos los precios observados,
utilizando slo dinmicas de largo plazo. As, eliminan las oportunidades de
arbitraje, haciendo que las curvas estimadas se ajusten a la ETI (esttica) observada.
Se busca una aplicacin prctica para valorizar derivados de las tasas de
inters, sin caer en la intratabilidad analtica, pero para lograr esto, suelen sacrificar
la interpretacin econmica del modelo. Ho y Lee (1986), Hull y White (1990) y
Heath, Jarrow y Morton (HJM,1992); son ejemplos de este tipo de formulacin.

2
El precio de mercado del riesgo, , se define como ( ) r = . En el Anexo C se trata con
mayor detalle su significado.
58
5.2.3 Nuevas Teoras
Los avances recientes han sido desarrollados para explicar la valoracin
de activos derivados, como swaps, floors, caps
3
, cuyos precios no son explicados por
los modelos tradicionales, que son calibrados con datos de los mercados de bonos.
Gran parte del esfuerzo ha sido dedicado a ajustar a mercados de
derivados, modelos que sigan el marco general de HJM. En este espritu se enmarcan
los Modelos de Mercado y los Modelos de Espacios de Dimensin Infinita.
Los modelos de mercado
4
especifican un proceso lognormal para la tasa
forward, la cual es calibrada a partir de datos observados en los mercados de tasas de
inters (como LIBOR) o en el mercado de swaps. Estas observaciones, pasan a ser la
base de la ETI, a partir de las cuales es posible replicar una tasa a cualquier plazo.
Los modelos son dependientes de la estructura del mercado escogido y
no siempre pueden ser extrapolados a otros mercados. Sin embargo, en la prctica se
han hecho populares por la conexin que hacen entre precios de opciones y tasas de
mercado. Adems, su simpleza les permite, en forma sencilla, valorizar y realizar
coberturas de derivados con estructuras ms complejas.
Los modelos de espacios de dimensin infinita
5
intentan replicar la
estructura de correlaciones entre tasas de distintos plazos. Para esto, suponen que
cada tasa forward instantnea posee su propia fuente de aleatoriedad, las cuales estn
imperfectamente correlacionadas, creando un campo browniano de dos dimensiones.
Las tasas forward son calibradas para ajustar a la ETI observada. Su
principal ventaja es permitir una valoracin sencilla de instrumentos derivados,
aunque las estructuras de volatilidad y correlaciones de las tasas sean aleatorias
6
.

3
Un swap es un acuerdo de intercambio flujos de dinero de una manera previamente acordada. Un
cap y un floor proveen proteccin contra las alzas y bajas de las tasas de Inters. Ver Hull (2000).
4
Market Models, por su nombre en ingls. Para mayores detalles, ver Brace, Garatek y Musiela
(1997), Jamishidian (1997) y Miltersen, Sandmann y Sondermann (1997).
5
Conocidos como Infnite-Dimensional Models, Random-Field Models o Stochastic-String Models.
6
Ver Kennedy (1994) y (1997), Goldstein (2000) y, Santa-Clara y Sornette(2001).
59
5.3 Modelos Dinmicos de la Tasa de Inters de Corto Plazo
Gran parte de las teoras dinmicas de tasas de inters pueden sintetizarse
en lo que se conoce como Modelos Afines de Estructuras de Tasas de Inters,
propuestos por Duffie y Kan (1996), y generalizados por Dai y Singleton (2000).
Un modelo afn de tasas de inters es aquel que especifica una relacin
lineal entre tasa de inters y sus variables explicativas
7
.
Si la tasa de corto plazo es funcin de K factores estocsticos, X
i
,
entonces la relacin que define a un modelo afn es de la forma:
( ) ( )
T
r t X t = (5.8)
, en que y X son vectores K-dimensionales, con
i
el ponderador del factor X
i
.
Este modelo resume sucesivos aportes tericos, los cuales dieron forma a
las actuales dinmicas utilizadas para modelar la evolucin de la tasa de inters de
corto plazo. A continuacin, una breve revisin de aquellos modelos.
5.3.1 Modelos de un Factor con Parmetros Invariantes en el Tiempo
Los modelos dinmicos ms conocidos explican la evolucin de la tasa
de corto plazo con un factor de riesgo. Estudios empricos demuestran que ste factor
est relacionado con el nivel de la tasa instantnea y explica cerca del 90% de su
variabilidad. Un modelo dinmico de un factor puede ser representado mediante:
( ) ( ) ( ) ( ) ( )
t
dr t r t dt r t dW = + (5.9)
En esta ecuacin, r(t) representa la tasa de corto plazo o tasa instantnea
de inters, y W
t
es un movimiento browniano. El drift puede representarse como una
funcin del tipo:
( ) ( ) ( ) r t r = + (5.10)

7
En el anexo D de este trabajo se analizan con mayor detalle los modelos afines de tasas de inters
.
60
En la ecuacin anterior , y son parmetros que pueden o no, ser
funciones del tiempo. -/ es la media de largo plazo a la que revierte la tasa de
inters y representa la velocidad a la que r revierte a dicha media. Esta funcin
lineal del drift implica que la velocidad de reversin es independiente del nivel de la
tasa. La funcin de volatilidad tiene una representacin general de la forma:
( ) ( )
r t r
= (5.11)
, representa la volatilidad instantnea de la tasa de inters de corto plazo,
representa la forma en que es incluido el nivel de la tasa en su funcin de volatilidad.
Estos modelos son estimados utilizando una proxy
8
para la tasa de corto
plazo o un panel de datos histricos. Los modelos difieren en la forma de modelar el
drift y la volatilidad del proceso de difusin.
a) Modelo de Merton
Este modelo, propuesto como parte de una deduccin alternativa del
modelo de Black-Scholes, es pionero en modelar la tasa de corto plazo como un
proceso de difusin, que de acuerdo a Merton (1973), es de la forma:
( )
t
dr t dt dW = + (5.12)
En esta ecuacin, la tasa de corto plazo sigue un proceso de Gauss-
Markov, es decir, cambios en el valor de r(t) en un instante infinitesimal de tiempo
estn distribuidos en forma normal, con media cero y varianza finita, y el valor que
asuma la tasa no depende de la trayectoria seguida, sino slo de su valor actual.
El autor reconoce que existe una probabilidad positiva de que el modelo
entregue tasas de inters negativas. An as, la representacin del proceso, es capaz
de explicar el proceso de precios de bonos de descuentos, utilizados para armar un
portfolio que replica los pagos de una opcin.

8
Una proxy es una variable que aproxima a otra. En algunos casos, una proxy puede ser un buen
sustituto para una variable que no es observable.
61
b) Modelo de Vasicek
Vasicek (1977), postul que la tasa de inters instantnea sigue un
proceso de Ornstein-Uhlenbeck, el cual es caracterizado por una ecuacin del tipo:
( ) ( ) ( )
t
dr t r t dt dW = + (5.13)
Este es un proceso estocstico con reversin a una media de largo plazo.
De esta manera, se recoge la experiencia emprica, que indicaba que el nivel de las
tasas de inters sigue un ciclo y no diverge. Vasicek encontr frmulas analticas
para expresar el precio de un bono, y con ello, caracterizar la estructura de tasas.
Este es uno de los modelos dinmicos ms utilizados, por su simplicidad
analtica y capacidad de producir variadas formas para la ETI. Su desventaja terica,
radica en que este modelo puede llegar a predecir tasas de inters negativas.
Muchos autores han continuado la lnea de investigacin de Vasicek,
como Jamshidian (1987) y (1989) que valoriza derivados de tasas de inters, o Hull y
White (1990), que extendieron el modelo a parmetros dependientes del tiempo.
c) Modelo de Dothan
Dothan (1978) propone un modelo dinmico equivalente a un
movimiento browniano escalado por un factor de volatilidad:
( ) ( )
t
dr t r t dW = (5.14)
Dothan muestra que bajo el supuesto de preferencias logartmicas, el
precio de mercado del riesgo es constante, y deriva el proceso que sigue el precio de
un bono, obteniendo una solucin cerrada para la ecuacin diferencial.
d) Otros Modelos de un Factor
Brennan y Schwartz (1980), en un modelo de valorizacin de bonos
convertibles, proponen un proceso para la tasa instantnea del tipo
( ) ( ) ( )
t
dr t r t dt rdW = + + (5.15)
62
Longstaff (1989) desarrolla un Modelo de Doble Raz Cuadrada. Segn
el autor, ste permite una mayor variedad de formas para la ETI. Su ecuacin es:
( ) ( )
( )
( )
t
dr t r t dt r t dW = + (5.16)
5.3.2 Modelos de un Factor con Parmetros Dependientes del Tiempo
Una de las desventajas de los modelos anteriores, es su incapacidad para
ajustarse a las ETI observadas. Una solucin simple a este problema consiste en
utilizar parmetros dependientes del tiempo en la ecuacin de difusin.
a) Modelo de Ho y Lee
Ho y Lee (1986), utilizan rboles binomiales para representar la
evolucin de la ETI. Segn Dybvig (1989) y Jamishidian (1989), el proceso
equivalente de Ho-Lee, en que (t) es el drift dependiente del tiempo, es:
( ) ( )
t
dr t t dt dW = + (5.17)
El modelo considera la ETI como dada y se ajusta para calzar con la
estructura inicial, usando toda la informacin disponible. Luego, se modela la
variacin de la tasa de inters como un proceso que impide las oportunidades de
arbitraje y se utilizan sus resultados para valorizar derivados dependientes de ella.
Si bien ajusta perfectamente a la estructura de tasas, el modelo no
incorpora reversin a la media e implica una estructura de volatilidad plana. Sin
embargo, puede ser utilizado para evaluar derivados de la tasa de inters, pues es
posible encontrar soluciones analticas para opciones europeas sobre bonos.
b) Modelo de Hull y White
Hull y White (1990) modela una extensin de Vasicek (1977), adaptando
la funcin de drift y de varianza del proceso estocstico de la tasa de inters:
( ) ( ) ( ) ( ) ( )
t
dr t t t r t dt t dW = + (

(5.18)
63
Los autores encuentran soluciones analticas para precios de bonos, pero
stas requieren volatilidad y velocidad de reversin constantes. Para calibrar el
modelo, usan datos histricos para ajustar a las tasas actuales, a partir de la funcin
de precio estimada, obtienen la ETI.
Hull y White realizan el mismo tipo de extensin, para el modelo de Cox,
Ingersoll y Ross, pero no les es posible encontrar soluciones analticas para el precio
de un bono y deben recurrir a procedimientos numricos.
c) Modelo de Black, Derman y Toy
En el trabajo de Black, Derman y Toy (1990), se presenta un modelo de
representacin binomial de la tasa de corto plazo, cuyo proceso es equivalente a:
( ) ( )
( )
( )
( ) ( ) log log
t
t
d r t t r t dt t dW
t
| |
= +
|
|
\ .
(5.19)
En este modelo la distribucin de los cambios en la tasa de inters
instantnea tienen una distribucin lognormal, lo que impide las tasas negativas. El
modelo se calibra para ajustarse a la estructura de tasas y volatilidades observadas.
Sin embargo, la restriccin en la velocidad de reversin, la cual depende de la
estructura de volatilidad, hace difcil lograr ambos objetivos en forma simultnea.
d) Modelo de Black y Karasinsky
Black y Karasinski (1991) generalizan el modelo anterior y proponen el
siguiente proceso estocstico para la tasa de corto plazo:
( ) ( ) ( ) ( ) ( ) ( ) log log log
t
d r t t t r t dt t dW = + (5.20)
De esta manera, eliminan los problemas asociados a la restriccin en la
velocidad de reversin, y logran ajustar el modelo no slo la estructura de tasas y
volatilidades, sino adems, a la estructura de tasas caps. Mediante rboles
trinomiales es posible implementar mtodos de valoracin de bonos y derivados.
64
5.3.3 Modelos Multifactoriales
Los modelos de un factor son muy atractivos para valorizar derivados de
la tasa de inters, pero no logran explicar completamente la evolucin de ellas, y son
incapaces de describir completamente la estructura de volatilidad observada.
Como se seala en Longsatff y Schwartz (1992), los modelos de un
factor usualmente producen estructuras de tasas de inters muy planas y no logran
captar la variabilidad de las tasas de largo plazo. Adems, suponen que todas las
tasas de inters a diferentes plazos estn perfectamente correlacionadas.
Chapman y Pearson (2001) muestran que al menos tres factores son
necesarios para explicar la variabilidad de las tasas de inters en EE.UU., ya que
estos capturan un 99% de la variacin en las TIR de los bonos (versus 88% del
primer factor). Estos factores estaran relacionados con el nivel, la pendiente y la
curvatura de la ETI. Los modelos multifactoriales pueden calificarse en dos tipos:
aquellos que identifican y modelan especficamente factores distintos, y aquellos que
generalizan procesos de los modelos ms conocidos de un factor.
a) Modelo de Brennan y Schwartz (1979)
Brennan y Schwartz (1979) postulan que toda la ETI puede ser expresada
como una funcin de un proceso multifactorial, definido por:
( ) ( ) ( )
( ) ( ) ( )
1 1 1
2 2 2
, , , ,
, , , ,
dr t r l t dt r l t dW
dl t r l t dt r l t dW

= +
= +
(5.21)
, en que l(t) es la TIR de un bono console
9
.
1
y
2
son las funciones de drift y
1
y
2
son las funciones de varianza instantnea. W
1
y W
2
poseen una correlacin .
Las tasas de corto y largo plazo siguen un proceso conjunto de Gauss-
Markov. Los autores postulan que las tasas de largo plazo contienen informacin
acerca de los valores futuros de las tasas spot.

9
Un console es un bono de madurez infinita que paga cupones peridicos.
65
Este modelo supone la existencia de un bono console que paga intereses
en forma continua, gracias a esto y a supuestos sobre las preferencias de los
individuos para encontrar los precios de mercado del riesgo, logra obtener soluciones
cerradas para el precio de un bono. Adems, como menciona Yan (2001), no est
garantizada la existencia de soluciones analticas para el precio de los bonos si las
funciones de drift y de varianza no son afines.
b) Modelo de Longstaff y Schwartz
Manteniendo el espritu de equilibrio general, Longstaff y Schwartz
(1992) desarrollan un modelo de dos factores, los que en conjunto representan el
retorno de la produccin en la economa, en la que la tasa de inters instantnea y la
volatilidad son combinaciones lineales de estas variables de estado, cada una de las
cuales sigue un proceso estocstico del tipo CIR:
( ) ( ) ( )
( ) ( ) ( )
2 2
r t x t y t
V t x t y t

= +
= +
(5.22)
en que x e y son los factores estocsticos, que dependen de movimientos
brownianos Z
2
y Z
3
respectivamente.
As, los procesos para la tasa y volatilidad quedan descritos por:
( )
( ) ( )
( )
( )
( ) ( )
2 3
2 2 2 2
2 3
r V V r
dr r V dt dZ dZ
r V V r
dV r V dt dZ dZ

= + + +

= + + +

(5.23)
en que , , , y , parmetros de los procesos, son funciones de los
parmetros que definen los procesos estocsticos de los factores x e y.
Una de las grandes ventajas de este modelo, es que el precio de mercado
del riesgo es derivado endgenamente. Sin embargo, no siempre es posible obtener
soluciones analticas para el precio de bonos y opciones sobre stos.
66
c) Modelo de Heath, Jarrow y Morton
En Heath, Jarrow y Morton (1992) se propone una metodologa
completamente diferente. Uno de los aspectos ms importantes es que se impone una
estructura estocstica sobre la tasa forward, utilizando N factores de riesgo:
( ) ( )
1
( , ) , ,
N
i it
i
df t T t T dt t T dW
=
= +
(5.24)
, en que f(t,T) es la tasa forward instantnea que vence en T, (t,T) y (t,T) son
funciones estocsticas de drift y volatilidad, que satisfacen condiciones de no
arbitraje. Este modelo no requiere hacer supuestos sobre el precio de mercado del
riesgo para obtener soluciones cerradas para el precio de los bonos.
Todas las tasas forward estn correlacionadas entre s, y se calibran para
ajustar a la estructura forward original. Sin embargo, la estructura de volatilidades
determina la funcin de drift y los precios de mercado del riesgo. Excepto en casos
en que sta es simple (p.e. volatilidad constante), resulta muy complicado obtener
soluciones analticas para el precio de bonos, incluso por mtodos numricos.
d) Otros Modelos Multifactoriales
Schaefer y Schwartz (1984) proponen un modelo, utilizando la tasa de
corto plazo y el diferencial entre la tasas de corto y largo plazo. La primera sigue un
proceso de Ornstein-Uhlenbeck, mientras que el segundo, un proceso de CIR.
Fong y Vasicek (1991) proponen un modelo de dos factores, con
procesos para la volatilidad del tipo CIR, y del tipo Ornstein-Uhlenbeck para la tasa.
Los precios de bonos y opciones sobre stos, se obtiene de soluciones numricas.
Los modelos de volatilidad estocstica
10
, modelan la volatilidad como
una fuente de incertidumbre independiente. Si bien en la literatura se concluye que la
volatilidad estocstica es un elemento importante al modelar la ETI, no existe
evidencia emprica que lo avale.

10
SV, por su nombre en Ingls, Stochastic Volatility. Ver Chapman y Pearson (2001)
67
5.4 Modelo de Cox, Ingersoll y Ross
Por medio de una completa caracterizacin intertemporal de una
economa competitiva, Cox, Ingersoll y Ross (CIR, 1985a), desarrolla un modelo de
equilibrio general, en el cual la ETI es derivada endgenamente, como producto de
un problema general de maximizacin de la utilidad de los agentes econmicos.
El modelo desarrollado presenta una evolucin de la tasa de inters de
corto plazo de acuerdo a un proceso estocstico de raz cuadrada con reversin a la
media, el cual impedir que la tasa sea negativa y bajo ciertas condiciones siempre
ser positiva; adems incorpora en la volatilidad una dependencia del nivel de la tasa.
Dentro de su modelo de un factor estocstico, los autores encuentran
expresiones analticas cerradas para el precio de bonos de descuento. Adems
proponen una extensin del modelo a dos factores para capturar efectos de inflacin.
Diversas aplicaciones se han desarrollado para derivados de la tasa de
inters utilizando el marco terico de CIR, como valorizacin de letras hipotecarias
en Dunn y McConnell (1981)
11
y Kau, Keenan, Muller y Epperson (1992);
valorizacin de futuros y opciones sobre futuros de Ramaswamy y Sundaresan
(1986), y valorizacin de opciones sobre TIR de Longstaff (1990b), entre otros.
A su vez, ha sido extensamente utilizado en el desarrollo de otros
modelos dinmicos de tasas de inters y en modelos de volatilidad estocstica
12
.
5.4.1 Equilibrio General de la Economa
El modelo desarrollado por Cox, Ingersoll y Ross considera una
economa en la que slo existe un bien fsico, el cual puede ser utilizado para
consumo o inversin, y todos los precios estn expresados en funcin de este bien.
Existe un conjunto de n actividades productivas, las cuales estn caracterizadas por
el vector de retornos y la matriz GG de varianza-covarianza de dichos retornos.

11
Si bien el artculo de CIR fue publicado en 1985, circul como documento de trabajo desde 1978.
12
Como Longstaff (1989), Fong y Vasicek (1991), Hull y White (1993), Andersen y Lund (1997),
Gallant y Tauchen (1998), y Ball y Torous (1999).
68
Los retornos de la produccin y su varianza, son funciones de la variable
Y, que representa el estado de la tecnologa y vara aleatoriamente de acuerdo a un
proceso con media y matriz de varianza-covarianza SS. Existe libre acceso a todas
las actividades productivas y, las personas y empresas actan competitivamente.
Es posible prestar y endeudarse libremente a la tasa r de equilibrio.
Existen derechos de consumo contingentes por cantidades del bien nico. Existe un
nmero finito de individuos, idnticos en sus dotaciones de riqueza y preferencias,
los cuales maximizan una funcin de utilidad del tipo von Neumann-Morgenstern.
Las transacciones se realizan en forma continua y sin costos asociados a ellas.
Cada individuo busca maximizar una funcin de utilidad esperada de la
forma:
( ) ( )
'
, ,
t
t
E U C s Y s s ds
(
( (

(

(5.25)
en que C(t) es el nivel de consumo en el instante t, U(C,Y,t) es la funcin
de utilidad, y t es el instante final de evaluacin. Los individuos escogern el
consumo ptimo, C
*
, la proporcin a
*
de su riqueza W que invertirn en cada proceso
productivo, y la proporcin b
*
de su riqueza que invertirn en derechos de consumo.
Resolviendo este problema, se obtiene la tasa de inters de equilibrio:
( )
| | | |
*
* * * *
*
1
, ,
var cov ,
i
WW WY
W W W
k
WY i WW
i
W W
J J
r W Y t a a GG a W a GS
WJ J J
J W W Y J
a
J W J W
=
| | | |

= = + +
| |
\ . \ .
| | | | | | | |
=
| | | |
\ . \ . \ . \ .
(5.26)
, donde J es la funcin de utilidad indirecta y es un multiplicador de Lagrange.
A partir de este resultado, se llega a la ecuacin que debe satisfacer el
precio F de un derecho de consumo contingente de acuerdo a su patrn de flujos, :
( )
*
1
0
2
YY Y t
tr SS F a GS F F rF
(
+ + + =

(5.27)
69
5.4.2 Proceso Dinmico de Tasas de un Factor de CIR
Cox, Ingersoll y Ross derivan un proceso estocstico para la evolucin de
la tasa de inters de corto plazo, que puede ser representada por
13
:
( ) dr r dt rdW = +
(5.28)
, en que , > 0. Esta ecuacin representa un proceso continuo auto regresivo de
primer orden, en cual la tasa de inters de corto plazo, r, es llevada a un valor de
largo plazo, representado por el parmetro . La velocidad de ajuste del proceso se
representa por el parmetro , y representa la volatilidad instantnea de los
movimientos de la tasa de inters. Este proceso tiene las siguientes caractersticas:
La tasa de inters no puede ser negativa.
Si la tasa se hace cero, el drift ser capaz de hacerla tomar valores positivos
14
.
La varianza absoluta de la tasa de inters aumenta con el nivel de la misma.
Existe una distribucin estacionaria para la tasa de inters.
Si se expresa el precio de un bono de descuento en funcin de la tasa de
corto plazo, al aplicar el lema de It se obtiene:
( )
2
2
2
1
0
2
P P P P
r r r rP
r r t r

+ + =

(5.29)
, con condicin de borde ( ) , , 1 P r T T = . El retorno esperado del bono es
r
r rP P + .
El factor r es la covarianza en los cambios de la tasa de inters con cambios
porcentuales en el porcentaje de riqueza invertida.
En este modelo, el precio de un bono de descuento tiene la forma:
( ) ( )
( ) ,
, , ,
B t T r
P r t T A t T e

= (5.30)

13
En el Anexo D se realiza una deduccin rigurosa del proceso de CIR y elementos asociados a este.
14
Si
2
2 el proceso nunca llegar a cero.
70
El precio de un bono
15
es una funcin convexa decreciente de la tasa de
inters. A su vez, es una funcin decreciente con respecto a la madurez y creciente
con respecto al tiempo. Para encontrar la tasa de un bono, basta hacer:
( )
( ) ( ) , ln ,
, ,
rB t T A t T
R r t T
T t
(5.31)
A medida que el plazo del bono se acerca a cero, la tasa se aproxima a la
tasa de corto plazo, r. A su vez, cuando el plazo tiende a infinito, la tasa de inters se
aproxima a su valor lmite de:
( )
2
, , R r t

=
+ +
(5.32)
Este modelo es el ms sencillo que impide tasas de inters negativas y a
la vez es consistente con una valoracin libre de arbitraje. Sin embargo, supone que
los retornos de todos los bonos estn perfectamente correlacionados, lo cual puede
no ser apropiado para describir adecuadamente la ETI y su variacin en el tiempo.
5.4.3 Extensin Multifactorial de CIR
La extensin del proceso CIR a un modelo multifactorial se realiza
siguiendo la recomendacin de Chen y Scott (2002), y de Geyer y Pichler (1998), es
decir, se supondr que la tasa de inters de corto plazo es una combinacin lineal de
K factores de riesgo o variables de estado:
( ) ( )
1
K
i
i
r t x t
=
=
(5.33)
, las cuales se asumen independientes
16
y generadas por procesos estocsticos de
races cuadradas:
( )
i i i i i i i
dx x dt x dW = + (5.34)

15
Ver seccin 4.4.3 para detalles de la ecuacin de valorizacin de un bono de descuento.
16
En el anexo D se desarrolla la relajacin de este supuesto.

71
Esto supone que cada variable de estado sigue un proceso que le impide
tomar valores negativos. Al igual que en el caso unifactorial, los parmetros
i
representan las medias de largo plazo de cada factor,
i
representan las velocidades
de ajuste de los procesos,
i
representan las volatilidades instantneas de dichos
procesos y cada factor tiene su precio de mercado del riesgo
i
.
El precio de un bono de descuento puede representarse por:
( ) ( ) ( )
( ) ( )
1 1
, ,
1 1
,..., , , , ,
K K
B t T x B t T x
K K
P x x t T A t T A t T e

= (5.35)
, en que A
i
(t,T) y B
i
(t,T) representan:
( )
( )( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
2
2
1
2
2
2
2
,
2 1
2 1
,
2 1
2
i i
i
i i i
i
i
i
T t
i
i
T t
i i i i
T t
i
T t
i i i i
i i i i
e
A t T
e
e
B t T
e

+ +
(
(
=
(
+ + +
(

=
+ + +
= + +
(5.36)
, de esta manera la tasa spot de inters a un plazo T, se calcula de:
( )
( ) ( )
( )
1 1
ln , ,
,
K K
i i
i
i i
A t T B t T
R t T x t
T t T t
= =
= +

(5.37)
5.4.4 Generalizacin Afn de CIR
De acuerdo a Dai y Singleton (2000), la tasa de corto plazo es una
funcin afn de K variables de estado:
( ) ( ) ( )
0 0
1
K
T
x i i
i
r t X t X t
=
= + = +
(5.38)
, mientras que cada variable de estado X
i
sigue una difusin afn.
72
El proceso para el vector de factores estocsticos es:
( ) ( ) ( ) ( ) ( ) dX t X t dt S t dW t = + (5.39)
, en que W(t) es un vector de K movimientos brownianos independientes, y son
matrices de dimensin K x K, es un vector de K parmetros y S(t) es una matriz
diagonal, cuyo i-simo elemento diagonal est dado por:
( ) ( )
T
i i
ii
S t X t = + (

(5.40)
En el modelo CIR de una variable, K=1,
0
= 0 y
1
= 1, por lo que X = r.
es un escalar de valor , =0 y =1 en la funcin de volatilidad.
5.5 Estudios Anteriores en Chile
Parisi (1998) realiza una comparacin entre diversos modelos dinmicos
presentados en Chan, Karoli, Longstaff y Sanders (1992) y busca encontrar aquel que
mejor ajusta mejor a una muestra de tasas promedio mensuales de ventas por
ventanilla de PDBC, entre 1983 y 1995. La estimacin se realiza ocupando el
Mtodo Generalizado de Momentos (GMM)
17
. El autor concluye que aquellos
modelos que no incluyen volatilidad constante representan mejor a la muestra. Parisi
(1999) extiende la comparacin a modelos que incluyan volatilidad estocstica.
Fernandez (1999) utiliza tasas de depsitos bancarios a 7 y 30 das, en el
perodo 1992 1998, para estimar un modelo no paramtrico de ETI, a partir de
expansiones en series de Taylor estocsticas de funciones de la tasa de inters de
corto plazo o kernels. La estimacin se realiza mediante simulaciones de Montecarlo
de estas funciones. La finalidad del estudio es, exponer a los mtodos no
paramtricos como alternativa de estimacin de la ETI, pero como se discute en
Molinare (2002), el tamao muestral utilizado es demasiado pequeo.

17
En el captulo V de esta Tesis se explica el GMM y otros mtodos alternativos de estimacin de
estructuras dinmicas de tasas de inters.
73
Ziga (1999a) realiza una revisin de modelos dinmicos de ETI y de
mtodos de estimacin como Mxima Verosimilitud y el Mtodo de Momentos.
Adems, ajusta los mismos modelos que son ajustados en Parisi (1998) a cuatro
series de precios semanales de Bonos de Reconocimiento (BR). El autor concluye
que los modelos presentados sobrestiman la volatilidad condicional de los bonos de
la muestra.
Ziga (1999b) estima un modelo exponencial afn de dos factores de
riesgo para la economa chilena. Para esto, considera la tasa instantnea y su media
de largo plazo como factores. El autor utiliza datos semanales de BR, y aproxima la
tasa de corto plazo por aquellos BR con menos de dos aos restantes para su
vencimiento. Los parmetros estimados resultan estadsticamente significativos.
Molinare (2002) estima un modelo dinmico de Vasicek de un factor de
riesgo para una muestra de PRC entre 1997 y 2001, y realiza una comparacin con
estimaciones de ETI entregadas por modelos estticos de estimacin. El autor
concluye que es posible caracterizar la ETI chilena mediante este modelo.
Cortzar, Schwartz y Naranjo (2003) utiliza datos de transacciones en
bolsa de PRC y PRBC para estimar un modelo multifactorial de Vasicek. La
estimacin se realiza utilizando el filtro de Kalman exacto. Utilizando tres factores
de riesgo, los autores caracterizan la ETI la economa chilena, logrando replicar
correctamente la estructura de volatilidad observada en las tasas reales chilenas.
En esta tesis se estiman modelos dinmicos multifactoriales del tipo Cox,
Ingersoll y Ross, para muestras de tasas de inters nominal y real, utilizando
transacciones de mercado de instrumentos del Banco central de Chile. Esta tesis
constituye el primer estudio en caracterizar las ETI chilenas mediante un modelo del
tipo CIR, y la primera en utilizar transacciones de mercado de instrumentos
nominales para ello.
74
VI ESTIMACIN DE MODELOS DINMICOS DE TASAS DE
INTERS MEDIANTE FILTRO DE KALMAN
En el captulo V se presentaron una serie de modelos dinmicos de
estructuras de tasas de inters (ETI), los cuales necesitan inferir variables de estado
no observables, a partir de instrumentos derivados de la tasa de inters, para as
estimar la dinmica de ETI.
Como se mostr, el precio de un bono depende de estas variables, por lo
que es necesario un mtodo que permita extraerlas, a partir de observaciones de
activos dependientes de dichas tasas.
La estimacin de procesos estocsticos de tasas de inters,
tradicionalmente ha seguido dos caminos. El primero es el uso de informacin de
corte transversal, como en los modelos estticos del captulo III, para lo cual se
intenta ajustar las ecuaciones de valorizacin de bonos entregadas por el modelo a
los precios observados. Esta forma de estimacin tpicamente calibra parmetros que
no son constantes en el tiempo
1
.
Una segunda forma de enfrentar el problema es utilizar un enfoque de
series de tiempo para la estimacin, en este caso se ajustan las ecuaciones de los
modelos dinmicos, tpicamente de un factor, a la serie de valores de una variable
proxy
2
observable. Este enfoque ignora la informacin contenida en las
observaciones de distintos plazos, y como sealan Geyer y Pichler (1998), no es
posible obtener a partir de ella una estimacin para los procesos ajustados por riesgo.
Existen diversos mtodos de estimacin de modelos dinmicos, los
cuales generalmente presentan un trade-off entre complejidad algortmica de su
metodologa y rigurosidad terica de sus estimaciones.

1
Aunque los parmetros fueran constantes, no necesariamente cumplen las condiciones dinmicas
impuestas por una ecuacin diferencial estocstica.
2
Por ejemplo, se suele aproximar la tasa instantnea a partir de series de tiempo de los bonos con
menor vencimiento disponible en el mercado o con la tasas de depsitos bancarios a 1 da de plazo.
75
El filtro de Kalman permite combinar ambos enfoques, corte transversal
y series de tiempo, y, posee una formulacin analtica simple y una metodologa
sencilla de adaptar a casos que se desvan de la normalidad, como el problema
analizado en esta tesis, sin que por ello sus resultados pierdan validez. Adems,
como seala Schwartz (1997), es especialmente til cuando se quiere estimar las
variables no observadas de un sistema.
En el presente captulo se presentan algunos de los mtodos de
estimacin de modelos dinmicos de ETI ms utilizados en la literatura y se explica
con especial detalle el mtodo de estimacin por Filtro de Kalman, haciendo nfasis
en las adaptaciones necesarias para estimar un modelo dinmico de ETI del tipo Cox,
Ingersoll y Ross (CIR) multifactorial y su uso con paneles de datos incompletos.
6.1 Mtodos de Estimacin
En el contexto en que se enmarca esta tesis, estimacin se refiere
esencialmente a encontrar, a partir de una muestra de datos, una cierta cantidad de
parmetros y variables explicativas, de manera que sean aquellos que mejor
expliquen el fenmeno bajo observacin, representado por un modelo dependiente de
dichos factores.
Para enfrentar este problema existen principalmente tres enfoques: el
primero consiste en encontrar el conjunto de parmetros que minimicen los errores
cometidos entre los datos observados y aquellos predichos por el modelo, ya sea en
forma absoluta o cuadrtica. Esta es la base de los mtodos de estimacin por
mnimos cuadrados y mtodos de estimacin de momentos.
Una segunda alternativa es la simulacin. Esta se basa en replicar, para
diferentes valores de los parmetros, los procesos que dan origen a las variables de
estado o a los datos, de manera que la esperanza de los parmetros obtenidos
utilizando una muestra simulada sea igual a aquellos que se obtendran de la muestra
observada. De esta forma funcionan los mtodos de Simulacin de Montecarlo.
76
Finalmente, una de las formas de estimacin de parmetros muestrales
ms utilizada es la estimacin por Mxima Verosimilitud (MV). Bsicamente, los
estimadores de MV son aquel conjunto de parmetros que maximizan la probabilidad
conjunta de reproducir la muestra observada, es decir, que los parmetros
correspondan efectivamente a aquellos que se encuentran en la poblacin.
A continuacin una breve revisin de algunos mtodos utilizados para
estimar dinmicas de ETI.
6.1.1 Mtodo Generalizado de Momentos
Este mtodo se basa en encontrar los parmetros que minimicen el error
cuadrtico de estimacin en tasas, y a la vez cumplan una serie de restricciones sobre
los momentos muestrales de la distribucin de transicin de las variables de estado.
Si se supone un modelo dinmico, discretizado de la forma:
1 1 t t t t
x x x x
+ +
= = + + (6.1)
con y parmetros del modelo, y errores caracterizados por:
[ ]
2 2 2
1 1
0,
t t t
E E x

+ +
= =

(6.2)
, dnde la variacin y volatilidad de una variable de estado son explicadas a travs
del nivel de la misma variable. Sea = (, , ) el vector de parmetros del modelo,
sobre el cual se impondrn las restricciones a testear. La ecuacin (6.1) puede ser
reescrita como:
1 1 t t t t
x x x
+ +
= (6.3)
Sea el vector f
t
(), de restricciones sobre los parmetros:
( )
( )
1
1
2 2
1
2 2
1
t
t t
t
t t
t t t
x
f
x
x x

+
+
+
+

=

(6.4)
77
para el cual se supondr que:
( ) 0
t
E f =

(6.5)
El Mtodo Generalizado de Momentos (GMM) consiste en reemplazar
esta esperanza por las medias muestrales, g
t
(),
( ) ( )
1
1
T
T t
t
g f
T

=
=

(6.6)
, y encontrar el vector de parmetros , que minimice:
( ) ( ) ( ) ( )
T T T T
J g W g
= (6.7)
, en que W
T
es una matriz positiva definida de ponderadores que resulta de resolver el
sistema de condiciones ortogonales:
( ) ( ) ( ) 0
T T
D W g = (6.8)
, con D(), la matriz jacobiana de g
t
() con respecto a .
Este mtodo es ocupado por Chan, Karolyi, Longstaff y Sanders (1992)
en un test de varios modelos dinmicos de estructuras de tasas de inters, y por
Gibbons y Ramaswamy (1993) en la calibracin de un modelo CIR.
Como sealan Chen y Scott (2002), el GMM es tpicamente menos
eficiente que otros mtodos de estimacin y los parmetros estimados pueden tener
sesgos importantes. Como ventajas de este procedimiento, es posible sealar que no
es necesario que las variables de estado sigan alguna distribucin especfica, sino
slo que sta sea estacionaria. El GMM tambin puede considerar errores de
medicin en las variables observadas y los estimadores de los errores estndar son
consistentes, an si los errores de medicin son heterocedsticos.
78
6.1.2 Mtodo Eficiente de Momentos
El Mtodo Eficiente de Momentos (EMM) es una sofisticacin del
GMM, en el cual se intenta minimizar la distancia entre los momentos muestrales,
calculados a partir de los datos, y los verdaderos momentos del modelo.
Primero, se estima un modelo auxiliar para los momentos maestrales,
simulando las funciones de densidad del vector de funciones de los parmetros,
g
T
(), y luego se estima el modelo verdadero, para lo cual se busca el conjunto de
parmetros que haga cero la segunda derivada de la matriz de informacin.
Entre los problemas del EMM est la decisin del modelo auxiliar a
utilizar y, adems, la gran cantidad de condiciones que deben imponerse sobre los
momentos. Como ventaja, la estimacin es independiente de la distribucin de las
variables a estimar. En la prctica, el mtodo ha probado ser poco efectivo.
6.1.3 Simulacin de Cadenas de Markov por Mtodos Montecarlo
Este mtodo simula cadenas de Markov de las variables de estado, para
lo cual ocupa las densidades de transicin exactas de las variables a estimar,
produciendo estimaciones insesgadas.
El modelo se basa en el espacio de estados
3
, caracterizado por:
t t t t t
R Z x d v = + + (6.9)
, en que x
t
es una variable no observable de la cual depende de R
t
, que s es
observable. Z
t
, d
t
y
t
son parmetros del sistema. Se asume que las variables x
0
, x
1
,
x
2
, ... x
t
; son representables por una cadena de Markov con una probabilidad de
transicin determinada. Las variables observables son condicionalmente
independientes, dadas las observaciones de las variables de estado, y tambin son
modelables como una cadena de Markov, la cual es condicional en

las variables no
observables y en los parmetros, con su propia probabilidad de transicin.

3
En la seccin 5.2.2 se explica con mayor detalle en qu consiste el espacio de estados.
79
Para encontrar las densidades condicionales de transicin, el mtodo
simula densidades marginales de los parmetros y densidades condicionales de las
variables de estado. La idea es, en vez de simular las densidades condicionales
conjuntas, muestrear un conjunto de observaciones de los parmetros y las variables
de estado, mediante cadenas de Markov, en las cuales, el kernel
4
de transicin es tal,
que la distribucin estacionaria de la cadena es igual a la distribucin conjunta
condicional que se desea encontrar.
Como ventajas de este mtodo estn el uso de las densidades correctas de
transicin de las variables de estado, adems, utiliza toda la informacin del panel de
datos para estimar las variables no observables en cada instante de tiempo (y no slo
las acontecidas previamente), y no necesita que el panel de datos sea completo. Sin
embargo, el mtodo requiere complicados procedimientos de simulacin y
algoritmos de muestreo de densidades marginales y condicionales, para cada uno de
los parmetros a estimar y para una serie de densidades conjuntas, lo que segn
Lund (1997), requiere un esfuerzo computacional enorme.
6.1.4 Otros Mtodos de Estimacin
En la literatura de tasas de inters se ha utilizado una amplia gama de
mtodos para estimar modelos dinmicos, como el Mtodo Simulado de Momentos
(SMM), con el que Dai y Singleton (2000) estiman modelos afines exponenciales,
logrando estimadores consistentes. Sin embargo, el mtodo requiere mucho esfuerzo
computacional, pues utiliza un proceso iterativo que necesita realizar, en paralelo,
simulaciones de Montecarlo.
Pearson y Sun (1994) utilizan lo que Duan y Simonato (1995) llaman el
Mtodo de Mxima Verosimilitud de Datos Transformados, que consiste en estimar
una relacin uno a uno entre el nmero de variables observadas y variables no
observadas a estimar, a travs de una transformacin de los datos observados.

4
El kernel es la funcin que caracteriza una cierta funcin de densidad de probabilidades.
80
6.2 Filtro de Kalman
El filtro de Kalman es una solucin recursiva para el problema de filtrado
lineal de datos discretos. Este mtodo permite determinar las variables no
observables de un sistema, a partir de la informacin que entregan otras variables, las
cuales s es posible observar, y que a su vez dependen linealmente de las primeras.
Una de las particularidades del filtro de Kalman es que permite la
existencia de errores en el proceso de obtencin de la informacin. Gracias a esta
caracterstica, es posible pensar en el filtro como un proceso que se adapta en el
tiempo, pues a medida que incorpora informacin, va modificando la ponderacin
que entrega a las nuevas observaciones y a las estimaciones histricas que realiza.
6.2.1 Intuicin tras el Filtro de Kalman
La idea tras el filtro de Kalman es relativamente sencilla: inferir los
parmetros relevantes de un sistema, a partir de observaciones indirectas, imprecisas
e inciertas. Es decir, a partir de observaciones de ciertas variables, las cuales pueden
contener errores, es posible estimar otras variables de inters.
Para esto se requiere conocer la relacin existente entre las variables que
se observan y aquellas que se desea estimar y, adems, es necesario una relacin
temporal que indique de qu forma evolucionan las variables que no son observables.
Es decir, se requiere conocer el sistema que se est observando.
Una forma de representar un sistema es a travs de su estado. Se conoce
como estado de un sistema dinmico al vector de menor tamao que logre resumir la
historia del sistema. El conocimiento del estado permite, en teora, predecir futuras
dinmicas y resultados del sistema, en la ausencia de ruido.
As, mediante un proceso recursivo, en el que las nuevas observaciones,
que se hacen disponibles al observador son incluidas en la estimacin, es posible
extraer la informacin deseada. Esto se realiza mediante un algoritmo de prediccin
y correccin, con el cual se calibran los parmetros del sistema, los que finalmente
son optimizados para encontrar aquellos que mejor representan el fenmeno que se
est observando.
81
6.2.2 Espacio de Estados
El espacio de estados es una representacin matricial del sistema en
observacin, el cual es descrito por dos ecuaciones. La primera, la ecuacin de
medicin, representa la relacin existente entre las variables observadas y las no
observadas del modelo. En sta se explica la evolucin de las k variables no
observables, mediante n variables observables. El nmero de variables observadas en
cada instante de tiempo no necesariamente es constante, esto se profundizar en la
seccin 5.2.5. La ecuacin de medicin es :
t t t t t
R Z x d v = + + (6.10)
, en que R
t
es un vector de dimensin n, que contiene las variables observadas, x
t
es
un vector de dimensin k, que contiene a las variables no observadas, Z
t
es una
matriz de dimensin n x k que relaciona linealmente a las variables observadas y no
observadas, y d
t
es un vector de n constantes
5
que completa la relacin lineal.
El vector v
t
contiene los errores de medicin, los cuales se asumen
normalmente distribuidos,
( ) ( )
0,
t t
v N H (6.11)
, con H(), la matriz de varianza-covarianza de los errores de medicin, como
funcin de , vector de parmetros del modelo.
La segunda ecuacin del espacio de estados es la ecuacin de transicin:
1 t t t t t
x x
= + + (6.12)
aqu, x
t
es el vector de k variables no observables en el instante t,
t
es un vector de k
constantes y
t
es la matriz de dimensin k x k, que relaciona los estados de la
variable no observable.

5
En la estimacin de algunos modelos, como versiones multifactoriales de Vasicek, en Babbs y
Nowman (1998), el vector de constantes se asume igual a 0.
82
En esta ecuacin tambin se incluye un trmino de error,
t
, que se
supone normalmente distribuido, ( ) 0,
t t
N Q , y adems, se supone que ambos
errores, en las ecuaciones del espacio de estados, son independientes. La ecuacin de
transicin, explica la evolucin de las variables no observables del sistema.
La representacin en el espacio de estados posee una serie de ventajas:
No es necesario utilizar proxies de las variables estimadas.
Es posible extraer series de tiempo de las variables no observadas.
Es posible estimar todos los parmetros del modelo directamente, y no slo
funciones de ellos.
Los errores de medicin son incluidos explcitamente.
No es necesario restringir los errores de medicin.
6.2.3 Estimacin del Filtro de Kalman
El proceso recursivo de estimacin busca encontrar el vector x de
estimacin de las verdaderas variables de estado x, tal que ste minimice el error
cuadrtico medio de estimacin. El algoritmo de estimacin es una secuencia
recursiva de ecuaciones de prediccin y actualizacin o correccin
6
de las variables
estimadas.
Sea ( )
1 2
, ,...,
t t
R R R = F el conjunto de informacin, que contiene los
eventos ocurridos hasta el instante t. Previo a encontrarse en el instante t, durante la
etapa de prediccin, se realiza una proyeccin del estado actual de las variables no
observables y de las covarianzas de sus errores, para obtener una estimacin a ser
utilizada en el siguiente instante de tiempo.

6
Welch y Bishop (1995) hablan de ecuaciones de actualizacin temporal (prediccin) y actualizacin
de la ecuacin de medida (correccin).
83
La ecuacin de prediccin es:
1 1 1
t t t t t t t
x E x x

= = +

F (6.13)
, esto significa que para proyectar el estado del instante t, ocupando la informacin
disponible hasta el instante anterior, (t-1), la mejor proyeccin realizable consiste en
hacer uso del ltimo valor conocido de la variable de estado. Esta proyeccin tiene
una matriz de varianza-covarianza dada por:
( )( ) 1 1 1 1 1

t t t t t t t t t t t t
E x x x x V

= = +

F (6.14)
Con esta estimacin a priori de las variables de estado, es posible hacer
una prediccin del fenmeno en observacin:
1 1
t t t t t t
R Z x d

= + (6.15)
Una vez que la nueva informacin, R
t
, aparece; es posible actualizar las
variables de estado y mejorar su estimacin a posteriori. Para esto, se utiliza el vector
de errores de prediccin:
1
t t t t
R R

= (6.16)
y su matriz de varianza-covarianza:
1 t t t t t t t t t
F E Z Z H

= = +

F (6.17)
As, la actualizacin del vector de variables de estado queda definido por:
1
1 1

t t t t t t t t t t
x E x x Z F

= = +

F (6.18)
con matriz de varianza-covarianza dada por:
( )( )
1
1 1 1

t t t t t t t t t t t t t t t
E x x x x Z F Z

= =

F (6.19)
84
Al trmino
1
1
1
1
t t
t t t t
t t t t t
Z
K Z F
Z Z H

= =
+
(6.20)
, se le conoce como ganancia de Kalman. Este es una matriz de k x n, que minimiza
el error cuadrado medio entre las variables observadas, x
t
y su estimacin,
1
t t
x

. Esta
matriz puede interpretarse como un ponderador que asigna distinta importancia a la
informacin nueva que recibe , R
t
, y al valor histrico de la variable, representado
por su prediccin,
1
t t
R

. Esto se ve ms claramente si se rescriben las ecuaciones
(6.18) y (6.19), utilizando las ecuaciones (6.16) y (6.20)
( )
1 1
t t t t t t t
x x K R R

= + (6.21)
( )
1 t t t t t
I K Z

= (6.22)
A partir de la ecuacin (6.20) puede apreciarse que si el error de
medicin, H
t
, es cero, se dar mayor ponderacin a las nuevas observaciones,
mientras que si la covarianza de los errores en la variables de estado se acerca a cero,
el filtro confiar en su prediccin de las variables no observadas.
Luego de cada secuencia de prediccin y actualizacin, el proceso se
repite con el estimador anteriormente obtenido. As, el filtro incorpora toda la
historia disponible para estimar la variable x
t
, a travs de la informacin recibida en
los instantes t, t-1, t-2, ..., por lo que puede considerarse un mtodo de estimacin
bayesiano.
Cuando las innovaciones de las variables de estado estn normalmente
distribuidas, el filtro de Kalman es capaz de obtener estimadores consistentes,
eficientes y con una distribucin asinttica normal. Adems, es posible obtener la
funcin de verosimilitud del conjunto de parmetros del modelo. Aunque la
distribucin de las innovaciones no sea Gaussiana, el filtro de Kalman produce el
mejor estimador lineal.
85
6.2.4 Filtro de Kalman Extendido
El espacio de estados representado por las ecuaciones (6.10) y (6.12) es
lineal, ya que las ecuaciones de medicin y transicin lo son. Esto permite el uso del
filtro de Kalman tal como ha sido presentado en esta seccin.
En los casos en que alguna de las relaciones que definen el espacio de
estados no cumple el supuesto de linealidad, es posible utilizar una versin
modificada del filtro de Kalman, conocido como filtro de Kalman Extendido (EKF).
Sin entrar en mayores detalles, por ahora se explicar que el EKF
consiste simplemente, en una linealizacin de las condiciones no lineales del sistema,
lo que a menudo se realiza mediante expansiones en series de Taylor
7
.
6.2.5 Funcin de Verosimilitud
Se conoce como funcin de verosimilitud a la probabilidad conjunta de
que los parmetros representen a la poblacin, condicional en el valor de stos. Al
maximizarse dicha funcin, se encuentran los parmetros con mayor probabilidad de
replicar la muestra observada. Para el caso de variables observables independientes,
esta probabilidad conjunta se calcula como:
( ) ( )
1
;
T
t
t
L R p R
=
=
(6.23)
Sin embargo, en modelos de series de tiempo, la informacin es
dependiente de la historia. En el modelo representado en el espacio de estados de las
ecuaciones (6.10) y (6.12), la variable aleatoria R
t
, es dependiente en las variables
aleatorias x
t
,
t
y de la informacin ocurrida hasta el instante anterior, (t-1). As:
( )
( )
1
1
;
T
t t
t
L R p R

=
=
(6.24)

7
En la seccin 6.3.1 se retoma el tema, en la explicacin del uso del EKF para estimar un modelo
tipo CIR.
86
Este modelo tiene una distribucin condicional normal, con media:
[ ]
1 1 t t t t t t t
E R R Z x d

= = + (6.25)
y una matriz de varianza y covarianza F
t
, dada por la ecuacin (6.17).
La funcin de densidad condicional se representa por:
( )
( )
1
1
1
2
1 2
1
2
t t t
t t
F
R t
t
f R
F
e

= (6.26)
,y la funcin de verosimilitud correspondiente se define como:
( )
( )
1
1
1
2
1 2
1 1
1
( ; )
2
t t t
t t
T T
F
R t
t t
t
L R f R
F
e

= =
= =

(6.27)
Tpicamente se utiliza el logaritmo de la funcin de verosimilitud, ya que
es una transformacin montona, que no afecta al valor ptimo de las variables de
decisin. De igual forma se omite la constante de la funcin, obtenindose la
densidad conjunta para las innovaciones de las variables observables:
( )
( )
1
1
1
log log
2
T
t t t t
t
L F F
=

= +

(6.28)
Los parmetros obtenidos a travs de este mtodo no necesariamente
sern insesgados, aunque las innovaciones posean una distribucin condicional
normal. La estimacin por MV es preferida tpicamente por sus propiedades
asintticas, las que s dependen de la normalidad en las innovaciones.
El filtro de Kalman, permite la estimacin de parmetros de un modelo
representado en el estado de espacios mediante la funcin de verosimilitud exacta si
el proceso que siguen las variables de estado es Gaussiano
8
.

8
Una variable sigue un proceso Gaussiano si su probabilidad de transicin distribuye en forma
normal, es decir,
( ) ( )
2
1
,
t t
p x x N

87
En el caso en que el proceso para las variables de estado se aleja de la
normalidad an es posible utilizar el filtro, pero a costa de la prdida de algunas de
sus propiedades estadsticas.
6.3 Aplicacin del Filtro de Kalman para un modelo CIR
Como se mencion en la seccin anterior, si la probabilidad de transicin
de las variables de estado distribuye en forma normal:
( )
2
1
,
t t t t
x N
(6.29)
es posible utilizar el filtro de Kalman en su forma lineal para obtener una estimacin
de las variables no observadas del sistema y, a travs de la funcin de verosimilitud,
una estimacin de los parmetros del sistema. Este no es el caso del modelo de Cox,
Ingersoll y Ross, por lo que es necesario adaptar el filtro previo a la estimacin.
6.3.1 Uso de un Filtro de Kalman No Lineal
Las innovaciones en el modelo CIR no distribuyen en forma normal, sino
que lo hacen con una distribucin que es producto de distribuciones chi-cuadradas
desplazadas. Adems, el modelo CIR impone una restriccin de no negatividad en
las variables de estado, lo que hace no lineal a la ecuacin de transicin.
En este caso, debe utilizarse un filtro de Kalman no lineal, el cual no
garantiza estimadores condicionalmente insesgados de las variables de estado. Este
mtodo, minimiza los errores cuadrticos sujetos a la restriccin de no negatividad, y
los coeficientes de la matriz de ganancia de Kalman dependen de valores rezagados
de las variables de estado y las estimaciones de stas deben ser positivas.
Para cumplir con la restriccin de no negatividad, Chen y Scott (2002),
Lund (1997b), Geyer y Pichler (1998), y Nath y Nowman (2001) sugieren
reemplazar por cero las estimaciones de variables de estado que resultasen negativas.
88
6.3.2 Estimacin por Cuasi Mxima Verosimilitud
Debido a que la distribucin de transicin de las variables de estado en el
modelo CIR no es normal, impide el clculo de la probabilidad conjunta de observar
la poblacin representada por el modelo en el espacio de estados. Luego, no es
posible calcular la funcin de verosimilitud, sino slo una funcin de cuasi mxima
verosimilitud (QML). El principal problema radica en que los estimadores de QML
no poseen las propiedades asintticas de los estimadores de MV.
Los mismos autores mencionados en la seccin anterior, proceden a
utilizar el filtro de Kalman de igual forma como si se tratase de un modelo Gaussiano
basndose en dos razones: primero, los mtodos alternativos disponibles carecen de
la simplicidad y tractabilidad del filtro de Kalman y; segundo, experimentos de
Montecarlo posteriores han demostrado que los sesgos cometidos en la estimacin de
las variables de estado, los parmetros estimados y la funcin de verosimilitud no
son significativos. Este ser el enfoque a utilizar en este trabajo para la estimacin de
un modelo dinmico de CIR para la economa chilena.
6.3.3 Uso para Paneles de Datos Incompletos
En la seccin 6.2.2 se seal que no es necesario que en cada instante de
tiempo el nmero de variables observadas sea fijo, lo que equivale a decir que no es
necesario un panel de datos completo para la estimacin mediante el filtro de
Kalman, an cuando la teora financiera y la gran mayora de los estudios realizados
en la materia, supongan el uso de paneles completos de datos.
De esta forma, en la ecuacin de medicin (6.10),
t t t t t
R Z x d v = + + (6.30)
, los vectores de variables observables, constantes y errores de medicin son ahora de
dimensin n
t
x 1, mientras que la matriz Z
t
es de dimensin n
t
x k. En la prctica, esto
significa que en cada instante de tiempo la matriz de varianza-covarianza de los
errores de medicin ser de dimensin n
t
x n
t
, lo que provocar que la matriz de
ganancia de Kalman sea de dimensiones k x n
t
.
89
Esto no representa un problema para la estimacin, pues el mtodo puede
ser aplicado, independiente del nmero de observaciones con las que se cuente en
cada instante de tiempo.
En este trabajo se implementar el filtro de Kalman utilizando un panel
de datos incompletos por tres razones. Primero, como se mencion en captulos
anteriores, en el mercado chileno de renta fija no existen cotizaciones de tasas de
inters a plazos fijos que permitan construir una estructura de tasas de inters estable
ni obtener series de tiempo de tasas cero a plazos determinados, lo que s es posible
mediante esta forma de estimacin.
Segundo, la informacin disponible para esta investigacin, y la de
mayor confiabilidad existente en Chile, proviene de transacciones efectuadas en
bolsa, en que el nmero de transacciones y el plazo de las mismas vara diariamente,
obtenindose un panel de datos incompleto. Tercero, el Filtro de Kalman permite
considerar la existencia de errores en la observacin de los datos, lo que resulta
conveniente cuando se trabaja con transacciones de mercado.
Adems, el desarrollo de estimaciones mediante el filtro de Kalman con
paneles de datos incompletos en modelos dinmicos, es an muy reciente, por lo que
se espera esta tesis sea un aporte en este sentido.
6.4 Estudios Anteriores
El primero en utilizar el filtro de Kalman para estimar estructuras de
tasas de inters es Penacchi (1991), aplicndolo a un modelo conjunto para
determinar tasas reales e inflacin.
Posteriormente ha sido aplicado por Lund (1997a) para estimar modelos
gaussianos y no gaussianos de la ETI, Duan y Simonato (1995) quienes estiman
modelos exponenciales afines y de Jong (1999), quin estima modelos afines de ETI.
90
Babbs y Nowman (1999) estiman modelos de Vasicek de uno y dos
factores, sobre un panel de ocho series de tasas de descuento, calculadas por el
Banco de Inglaterra. Chen y Scott (2002), y, Geyer y Pichler (1998) estiman modelos
de CIR de hasta 5 factores de riesgo, para lo cual utilizan paneles de cuatro y
diecisis series de tiempo de tasas cero.
El filtro de Kalman tambin ha sido utilizado en la estimacin de precios
de commodities, donde destaca el trabajo de Schwartz (1997), quien mediante ste
mtodo estima modelos de precios de commodities para uno, dos y tres factores de
riesgo. Cabe sealar que el modelo de tres factores es en realidad un modelo
unifactorial de tasas de inters del tipo Vasicek, con el cual se estima un modelo de
dos factores para el precio de commodities.
En la misma lnea de Schwartz, Daz (2000), en la bsqueda de polticas
ptimas de cobertura, estima modelos de uno y dos factores de riesgo para el precio
del petrleo, utilizando para ello el filtro de Kalman.
Naranjo (2002), mediante el filtro, estima modelos lognormales de
precios de cobre y petrleo para uno, dos, tres y cuatro factores, siendo adems, uno
de los primeros en utilizar un panel de datos incompleto.
Para el caso chileno, Cortzar, Schwartz y Naranjo (2003) utilizan un
panel incompleto de datos de PRC y PRBC para estimar un modelo de Vasicek de
tres factores, a travs del filtro de Kalman. Una de las ventajas de este estudio, es que
permiten la existencia de correlaciones entre las variables de estados.
En esta tesis se utiliza por primera vez un filtro de Kalman no lineal para
estimar estructuras de tasas de inters para el mercado chileno, utilizando para ello,
paneles de datos incompletos de transacciones de derivados de tasas de inters, tanto
nominales como reales, siendo ste el primer estudio de estructuras de tasas de
inters nominales en la economa chilena.

91
VII ESTIMACIN DE MODELOS DINMICOS DEL TIPO COX-
INGERSOLL-ROSS PARA EL MERCADO CHILENO
En el presente captulo se explica la metodologa utilizada en esta tesis
para estimar dinmicas de estructuras de tasas de inters, nominales y reales,
utilizando un modelo de Cox, Ingersoll y Ross (CIR), y los resultados de dicha
estimacin. Para cuantificar la calidad del ajuste de los modelos implementados, se
presentan comparaciones en trminos de errores de ajuste a los datos observados, y a
la capacidad de los modelos de replicar la volatilidad histrica que stos presentan.
7.1 Datos
Para la estimacin de estructuras dinmicas de tasas de inters se han
utilizado transacciones de instrumentos de deuda del Banco Central de Chile (BC),
registradas en la Bolsa de Comercio de Santiago (BCS).
7.1.1 Panel de Datos para Tasas de Inters Real
La muestra utilizada consiste en 126.721 transacciones de Pagars
Reajustables con Cupones (PRC) y 215.255 transacciones de PRBC, entre el 01 de
enero de 1997 y el 30 de septiembre de 2002. En el perodo sealado se registraron
26.202 transacciones de PRC y 8.850 transacciones de Pagars Reajustables del
Banco Central (PRBC), en una fecha y a un plazo diferente. La muestra comprende
un total de 1.431 das hbiles bancarios.
a) Agrupacin de los Datos
Dada la gran cantidad de plazos diferentes a los que puede ser transado
un PRC, para facilitar la estimacin se han agrupado los datos en plazos anuales. As,
para todos los papeles, su plazo al vencimiento es aproximado al plazo entero ms
cercano, y luego las observaciones con igual madurez son promediadas.
Si bien, la aproximacin de plazos podra producir distorsiones en las
tasas utilizadas para la estimacin, especialmente en instrumentos con plazos
menores a un ao, en promedio las distorsiones de aproximacin se compensan y los
datos de corto plazo para estos instrumentos son muy poco frecuentes. Las
transacciones de PRBC tambin han sido agrupadas, tanto en plazo como en tasa,
para ser utilizadas como datos de corto plazo en la estimacin de una ETI real.

92
7.1.2 Panel de Datos para Tasas de Inters Nominal
La muestra utilizada consiste en 110.374 transacciones de Pagars
Descontables del Banco Central (PDBC) y 1.665 transacciones de Bonos del Banco
Central en Pesos (BCP), entre el 02 de enero de 2001 y el 30 de diciembre de 2002.
Se comprende un total de 492 das hbiles bancarios, con 6.166 transacciones de
PDBC y 76 transacciones de BCP, en una fecha y a un plazo diferente, es decir,
12,69 madureces diferentes por da, en promedio. Se registran 484 plazos diferentes,
de un total posible de 1814 plazos en los que podran observarse transacciones, si se
dispusiera de una muestra que abarcara todo el espectro de madurez.
a) Correccin por Efectos de Medios de Pago
Al igual que en la estimacin esttica de la seccin 4.1.2, las tasas
nominales son corregidas para eliminar los efectos producidos por los medios de
pago de las transacciones del mercado formal.
7.2 Metodologa de la Estimacin
En esta tesis se ajustan modelos multifactoriales de CIR al mercado
chileno. La estimacin de parmetros se realiza maximizando una funcin de cuasi
verosimilitud, mediante un filtro de Kalman no lineal, el cual ocupa paneles de datos
incompletos.
Modelos multifactoriales de CIR han sido empleados por Chen y Scott
(2002), Geyer y Pichler (1998) y Nath y Nowman (2001), entre otros. El filtro de
Kalman ha sido utilizado para estimar modelos dinmicos en finanzas, por Schwartz
(1997), Naranjo (2002), en el rea de modelos de precios de commodities y, Babbs y
Nowman (1999) y, Cortzar, Schwartz y Naranjo (2003), en tasas de inters.
7.2.1 Errores de Medicin
El filtro de Kalman permite la existencia de errores en la observacin de
variables
1
. En esta tesis se han considerado cuatro errores de medicin para las TIR
de PRC, y uno para las tasas de descuento de PRBC, siguiendo la lnea del trabajo de
Cortzar, Schwartz y Naranjo (2003).

1
Para mayores detalles ver Captulo VI y Anexo E del presente trabajo.

93
En el caso de las tasas nominales, debido a la relevancia del plazo en la
parte corta de la curva, se han considerado 8 errores de medicin para tasas de PDBC
y dos para TIR de BCP, esto es, un error de medicin para cada serie del
instrumento, las cuales son emitidas a plazos de 2 y 5 aos respectivamente. En la
tabla VII.1 se muestran los plazos correspondientes a cada error de medicin para las
TIR de PRC y la tabla VII.2 muestra los plazos considerados para los errores de
medicin de tasas de descuento de PDBC.
Tabla VII.1: Plazos para cada error de medicin de TIR de PRC,
considerados en la estimacin de modelos multifactoriales de ETI reales de CIR.
Error de Medicin Plazos (Aos)
h
1
0 5
h
2
6 10
h
3
11 15
h
4
16 20
Tabla VII.2: Plazos para cada error de medicin de tasas de PDBC, en la
estimacin de modelos multifactoriales de ETI nominales de CIR.
Error de Medicin Plazo (Das)
h
PDBC1
1
h
PDBC2
2
h
PDBC3
3
h
PDBC4
4-10
h
PDBC5
11-30
h
PDBC6
31-90
h
PDBC7
90-360
h
PDBC8
360-730
7.3 Interfaz Computacional de la Estimacin
La estimacin se desarroll en un ambiente MSExcel, mediante la
implementacin de libreras dinmicas en lenguaje Fortran y rutinas en lenguajes
Fortran y VBA. Para resolver el problema de maximizacin de la funcin de cuasi
verosimilitud se ha hecho uso del Solver que incorpora MSExcel y de rutinas de
optimizacin de las libreras ISML para Fortran.

94
7.4 Resultados para Tasas de Inters Real
A continuacin se presentan los resultados de estimar modelos dinmicos
del tipo CIR de uno, dos y tres factores estocsticos, calibrados a partir de
instrumentos dependientes de las tasas de inters real.
7.4.1 Modelos Estimados
Una ventaja de los modelos dinmicos es su capacidad de producir series
de tiempo de variables no observables. Este es el caso de la tasa instantnea de
inters, cuyo nivel se encuentra implcito en las transacciones de bonos a diversos
plazos que se realizan en el mercado. La figura 7-1 muestra la evolucin de la tasa de
corto plazo real estimada para los modelos CIR de uno, dos y tres factores, y su
comparacin con la Tasa de Poltica Monetaria (TPM) del BC.
Figura 7-1: Comparacin de la TPM del BC con las tasas reales instantneas
generadas por los modelos de uno, dos y tres factores de riesgo de CIR estimados
con panel de datos incompleto, Enero 1997 Septiembre 2002.
0,00%
5,00%
10,00%
15,00%
20,00%
25,00%
01/01/1997 01/01/1998 01/01/1999 01/01/2000 31/12/2000 31/12/2001
T
a
s
a

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)
Tasa Poltica Monetaria Tasa CIR 1F Tasa CIR 2F Tasa CIR 3F

95
En la figura se aprecia que el modelo de CIR produce tasas de inters
instantneas muy similares a la TPM, presentando correlaciones del orden de 90%
con sta. A medida que aumentan los factores de riesgo, los modelos poseen mayor
flexibilidad para captar los shocks que afectan a las tasas de inters.
En la figura 7-1, esto puede apreciarse en el perodo correspondiente a la
crisis de liquidez, durante el ao 1998, o, a partir de la nominalizacin de la
economa en agosto de 2001.
Se aprecia tambin que hacia fines del perodo en estudio, la tasa de
inters se va a cero. Esta es una caracterstica del modelo CIR, que sacrifica la
representacin de tasas de inters negativas por contar con una volatilidad
dependiente del nivel de la tasa, no hacindolo adecuado para situaciones como las
que se vivieron a partir de octubre de 2002, con tasas de inters real de corto plazo
negativas.
El modelo de CIR es capaz de generar curvas de tasas de inters que
reproducen las formas de la ETI observadas en los mercados y descritas en la
literatura, esto es, estructuras de tasas crecientes, decrecientes, planas y que
presenten montes o valles. Esto se ejemplifica en las siguientes series de figuras, las
cuales presentan las estructuras de tasas estimadas para das especficos al interior de
la muestra.
Las figuras 7-2 y 7-3 muestran las ETI estimadas para el 30 de
septiembre de 1998. La figura 7-2 muestra las estructuras de TIR de PRC, mientras
la figura 7-3 muestra las curvas cero cupn estimadas para dicha fecha.

96
Figura 7-2: Curvas de TIR real de PRC estimadas por los modelos de
CIR de uno, dos y tres factores de riesgo, para el 30 de septiembre de 1998.
Figura 7-3: Curvas Cero Cupn Real estimadas por los modelos de CIR de
uno, dos y tres factores de riesgo, para el 30 de septiembre de 1998.
El da presentado se enmarca un perodo de altas tasas de inters,
correspondiente a la crisis de liquidez de septiembre de 1998. Las figuras muestran
como el modelo de tres factores se ajusta mejor a estas condiciones, dada su mayor,
y logra representar adecuadamente las tasas de corto plazo.
Las figuras 7-4 y 7-5 muestran las ETI para el 21 de agosto de 2000.
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
14,00%
16,00%
18,00%
0 2 4 6 8 10 12 14 16 18 20
Plazo (Aos)
T
I
R

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)
TIR 1F TIR 2F TIR 3F PRC
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
14,00%
16,00%
0 2 4 6 8 10 12 14 16 18 20
Plazo (Aos)
T
a
s
a

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)
Tasa Cero 1F Tasa Cero 2F Tasa Cero 3F PRBC

97
Figura 7-4: Curvas de TIR real de PRC estimadas por los modelos de CIR de
uno, dos y tres factores de riesgo, para el 21 de agosto de 2000.
uno, dos y tres factores de riesgo, para el 21 de agosto de 2000.
El perodo presentado muestra ETI planas, y por lo tanto, el ajuste de los
tres modelos es muy similar, produciendo curvas casi indistinguibles, salvo en el
corto plazo, cuyos niveles de tasas son capturados slo por el modelo de tres
factores, tanto en la curva de TIR, como en la curva cero cupn.
Las figuras 7-6 y 7-7 muestran las ETI estimadas para el 18 de julio de
2001.
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
8,00%
0 2 4 6 8 10 12 14 16 18 20
Plazo (Aos)
T
I
R

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
0 2 4 6 8 10 12 14 16 18 20
Plazo (Aos)
T
a
s
a

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)

98
uno, dos y tres factores de riesgo, para el 18 de julio de 2001.
uno, dos y tres factores de riesgo, para el 18 de julio de 2001.
En este caso, las ETI presentadas son crecientes como funcin del plazo.
Cabe destacar que los datos se encuentran en cantidad suficiente, y esparcidos a lo
largo del espectro temporal, lo que facilita la estimacin, permitiendo que todos los
modelos tengan ajuste similar. Este caso es ms bien una excepcin en el panel de
datos utilizado en este trabajo. Las figuras 7-8 y 7-9 muestran las ETI estimadas para
el 20 de febrero de 2002.
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
8,00%
0 2 4 6 8 10 12 14 16 18 20
Plazo (Aos)
T
I
R

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
0 2 4 6 8 10 12 14 16 18 20
Plazo (Aos)
T
a
s
a

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)

99
uno, dos y tres factores de riesgo, para el 22 de febrero de 2002.
uno, dos y tres factores de riesgo, para el 22 de febrero de 2002.
En este caso slo el modelo de tres factores es capaz de ajustar una ETI
con un valle, conocida como hump-shaped o jorobadas, en la literatura. Se aprecia
que la ETI ajustada por este modelo es descendiente en su tramo inicial, para
terminar en forma ascendente.
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
0 2 4 6 8 10 12 14 16 18 20
Plazo (Aos)
T
a
s
a

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
8,00%
0 2 4 6 8 10 12 14 16 18 20
Plazo (Aos)
T
I
R

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)

100
Para cuantificar la calidad del ajuste de los modelos se han registrado el
Root Mean Square Error, Mean Absolute Error y Mean Error
2
. Los errores muestran
una estructura decreciente con respecto al plazo, consecuente con una estructura de
volatilidad de tasas de inters. Cabe sealar, que en un largo perodo de tiempo, una
de las variables de estado estimada para el modelo de tres factores se hace cero, por
lo que los estadsticos de error son bastante similares a aquellos del modelo de dos
factores. La Tabla VII.3 muestra el RMSE, para el ajuste de modelos de uno, dos y
tres factores de riesgo a tasas internas de retorno (TIR) de PRC.
Tabla VII.3: RMSE, por plazo, para modelos de CIR de uno, dos y tres factores de
tasas de inters real en el mercado chileno, Enero 1997 Septiembre 2002.
PLAZO (Aos) 1F 2F 3F
1 0,548% 0,406% 0,246%
2 0,437% 0,376% 0,314%
3 0,219% 0,201% 0,187%
4 0,215% 0,210% 0,204%
5 0,175% 0,179% 0,188%
6 0,151% 0,107% 0,082%
7 0,191% 0,127% 0,096%
8 0,198% 0,131% 0,091%
9 0,209% 0,121% 0,091%
10 0,166% 0,061% 0,046%
11 0,175% 0,076% 0,050%
12 0,145% 0,053% 0,040%
13 0,152% 0,064% 0,050%
14 0,143% 0,049% 0,037%
15 0,127% 0,060% 0,045%
16 0,133% 0,057% 0,043%
17 0,145% 0,051% 0,038%
18 0,176% 0,053% 0,035%
19 0,171% 0,053% 0,041%
20 0,172% 0,058% 0,052%
PROMEDIO 0,200% 0,125% 0,106%

2
En el captulo IV de esta tesis se encuentra la definicin de dichos errores.

101
En la tabla se observa que los modelos multifactoriales presentan mejor
desempeo, en trminos de RMSE, que el modelo de un factor y ambos presentan
resultados similares a lo largo del espectro de madurez, siendo el modelo de tres
factores el de mejor desempeo. La tabla VII.4 presenta idntica comparacin, para
los registros de error medio absoluto en la muestra.
Tabla VII.4: MAE, por plazo, para modelos de CIR de uno, dos y tres factores de
tasas de inters real en el mercado chileno, Enero 1997 Septiembre 2002.
1 0,354% 0,230% 0,158%
2 0,270% 0,200% 0,169%
3 0,143% 0,123% 0,115%
4 0,134% 0,126% 0,121%
5 0,100% 0,104% 0,102%
6 0,087% 0,068% 0,049%
7 0,107% 0,071% 0,050%
8 0,115% 0,077% 0,059%
9 0,124% 0,065% 0,050%
10 0,107% 0,040% 0,028%
11 0,120% 0,052% 0,032%
12 0,106% 0,038% 0,025%
13 0,120% 0,048% 0,030%
14 0,113% 0,040% 0,024%
15 0,101% 0,047% 0,030%
16 0,106% 0,042% 0,026%
17 0,118% 0,038% 0,024%
18 0,140% 0,037% 0,024%
19 0,137% 0,034% 0,029%
20 0,132% 0,035% 0,035%
PROMEDIO 0,132% 0,076% 0,062%
Los resultados de la tabla VII.4 pueden ser interpretados de manera
anloga a aquellos de la tabla VII.3, con respecto a la comparacin de modelos
multifactoriales versus el modelo unifactorial.
La tabla muestra que la magnitud de los errores para plazos mayores a 10
aos, para los modelos multifactoriales, se sita entre 3 y 5 puntos base, en TIR.

102
Tabla VII.5: ME (Tasa Estimada - Tasa Observada), por plazo, para modelos CIR de
uno, dos y tres factores de riesgo, calibrados con panel incompleto de datos de
transacciones bonos ligados a la tasa de inters real en el mercado chileno, Enero
1997 Septiembre 2001.
1 -0,034% -0,100% -0,030%
2 -0,024% -0,078% -0,063%
3 -0,024% -0,054% -0,052%
4 0,030% -0,001% -0,009%
5 -0,013% -0,034% -0,037%
6 -0,012% -0,020% -0,015%
7 0,011% 0,010% 0,008%
8 0,043% 0,049% 0,049%
9 0,045% 0,033% 0,042%
10 0,006% -0,008% 0,016%
11 -0,013% -0,009% 0,006%
12 -0,022% -0,024% -0,00003%
13 -0,052% -0,034% -0,011%
14 -0,042% -0,036% -0,010%
15 -0,044% -0,032% -0,013%
16 -0,037% -0,031% -0,011%
17 -0,057% -0,029% -0,007%
18 -0,018% -0,020% -0,004%
19 0,061% 0,001% -0,016%
20 0,071% 0,012% 0,029%
PROMEDIO 0,034% -0,012% 0,006%
En la tabla anterior sorprende que el modelo de dos factores presente un
sesgo promedio, ponderado por nmero de transacciones, negativo. Su valor est
fuertemente influido por el plazo, observndose sesgos positivos en torno al PRC-8 y
PRC-20, y sesgos negativos para los dems plazos.
Esto entrega una nocin de la liquidez de algunos plazos. Dado que en la
BCS, los oferentes colocan sus ofertas y son los demandantes quienes compiten
mediante posturas en precio, por aquellos bonos de plazos ms lquidos, como el
PRC-8 y el PRC-20, existe mayor demanda, observndose mayores precios,
obligando al modelo a ajustarse hacia arriba, sobrestimando transacciones de plazos
cercanos, con el consiguiente sesgo positivo. Para plazos menos lquidos, ocurre una
situacin inversa, producindose un sesgo negativo.

103
Los errores cometidos en la valorizacin son muy similares en todos los
modelos, destacando que en largo plazo los errores cometidos por los modelos
multifactoriales, son en promedio menores a aquellos cometidos por el modelo de un
factor, debido a la poca flexibilidad que posee ste para adaptarse a diferentes
escenarios de tasas de inters, como aquellos presentes en la muestra utilizada
3
.
La muestra est fuertemente influida por dos perodos muy relevantes en
su interior: la crisis de liquidez de 1998, con un escenario de tasas muy altas y las
bajas tasas observadas durante 2002.

En el primer caso, el modelo muestra problemas
para ajustarse a los altos niveles de tasas, sesgando negativamente las estimaciones
de dicho perodo. En el segundo caso, la incapacidad del modelo para ajustar
variables de estado negativas, le impide replicar las bajas tasas de inters observadas
con el consiguiente sesgo positivo en las estimaciones de tasas.
7.4.3 Errores Fuera de Muestra
Para comprobar la estabilidad de las ETI estimadas se realizarn pruebas
de ajuste a datos fuera de la muestra, con el modelo de tres factores. Para esto, se
utiliza la metodologa ocupada en esta tesis para estimar las variables de estado y los
parmetros del modelo, para un subconjunto de la muestra, y luego, utilizando los
parmetros de dicha estimacin, se estiman las variables de estado para las
observaciones no contenidas en el subconjunto muestra.
Esta estimacin se realiza minimizando del error cuadrtico de ajuste
cometido en las tasas estimadas por el modelo, con respecto a las tasas observadas.
El subconjunto considerado corresponde a transacciones de PRC y PRBC registradas
entre los aos 1997 y 2001, y como observaciones fuera de muestra se han
considerado las transacciones registradas en 2002. Dado que para esta estimacin
fuera de muestra se estiman slo las variables de estado, que dado los parmetros
fijos, mejor ajusten las transacciones observadas, no es necesario utilizar el filtro de
Kalman ni las ecuaciones del proceso de CIR, y por ende, no es necesario restringir
el valor de las variables de estado a valores positivos, por lo que se realizarn
estimaciones que consideren ambos escenarios para las variables de estado.

3
Para mayores detalles, ver Anexo H del presente trabajo.

104
La tabla VII.6 compara los errores de ajuste promedio para el modelo de
tres factores de riesgo. Las primeras dos columnas registran los errores de ajuste in-
sample slo en el perodo 1997-2001 de la estimacin que utiliza toda la muestra de
datos (entre enero de 1997 y septiembre de 2002), denominada In-Sample 1997-
2002, y de la estimacin que considera los datos entre 1997 y 2001, denominada In-
Sample 1997-2001.
Las siguientes tres columnas muestran los errores de ajuste para el ao
2002, de las estimaciones que utilizan la muestra completa, denominada simplemente
In-Sample, de la estimacin que ajusta fuera de muestra los datos de 2002 sin
restringir el signo de las variables de estado, denominada Out-of-Sample s/ Rest.
Signo, y de la estimacin que ajusta fuera de muestra los datos de 2002 considerando
el signo de las variables de estado, denominada Out-of-Sample c/ Rest. Signo.
Tabla VII.6: Comparacin de errores de ajuste promedio, para las
estimaciones de variables de estado del modelo CIR de tres factores de riesgo, dentro
y fuera de muestra, utilizando datos de bonos dependientes de tasas de inters real.
1997-2001 2002
In-Sample
1997-2002
In-Sample
1997-2001
In-
Sample
Out-of-Sample
s/ Rest. Signo
Out-of Sample
c/ Rest. Signo
ME -0,005% 0,010% 0,176% -0,008% 0,025%
MAE 0,059% 0,056% 0,135% 0,062% 0,114%
RMSE 0,099% 0,091% 0,064% 0,088% 0,138%
En la tabla se aprecia que la estimacin que utiliza datos del perodo
1997 2001 presenta mejores indicadores de error que la estimacin que utiliza toda
la muestra. Esto se debe a que las tasas reales presentaron una mayor volatilidad
desde la nominalizacin de la economa, el 09 de agosto de 2001. Debido a la
naturaleza del ajuste de los parmetros, el que es global para toda la muestra, las
tasas observadas en 2002 empeoran el ajuste del perodo 1997-2001 para la muestra
completa, en comparacin a la estimacin que slo considera dicho perodo.
Tambin es posible constatar que los errores de la optimizacin fuera de
muestra son mucho mejores a la estimacin original, pues como ya se dijo el ajuste a
las bajas tasas de 2002 es sacrificado por un ptimo global.

105
Como es de esperarse, al relajar la restriccin de no negatividad de las
variables de estado, se obtienen mejores ajustes a los datos. Para el caso de la
estimacin que considera el signo de las variables de estado, los resultados son de
magnitud comparable a la estimacin de la muestra completa.
La figura 7-10 muestra las volatilidades estimadas para los modelos de
uno, dos y tres factores de riesgo, las cuales se comparan con la volatilidad que
presentaron las TIR de PRC en la muestra.
En ella puede apreciarse que todos los modelos logran replicar la
volatilidad de la muestra, especialmente los modelos multifactoriales, los cuales son
capaces de ajustar la volatilidad de corto plazo que muestran las TIR de PRC.
Figura 7-10: Estructuras de volatilidades de TIR de PRC, estimadas por los
modelos de CIR de uno, dos y tres factores, Enero 1997 Septiembre 2002.
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
3,00%
0 2 4 6 8 10 12 14 16 18 20
Plazo
V
o
l
a
t
i
l
i
d
a
d

(
%
)
VOL CIR 1F VOL CIR 2F VOL CIR 3F VOL PRC

106
7.4.5 Comparacin de Modelos Dinmicos
Esta seccin realiza una comparacin entre los ajustes de los modelos
CIR estimados en esta tesis con el modelo de Vasicek de tres factores, estimado en
Cortzar, Schwartz y Naranjo (2003), y el modelo de Vasicek unifactorial estimado
en Molinare (2002). Para realizar esta comparacin, se ha utilizando el mismo panel
de datos empleado en los citados estudios, el que comprende las transacciones de
PRC y PRBC efectuadas en la Bolsa de Comercio de Santiago, entre 1997 y 2001.
La figura 7-11 compara la tasa de inters instantnea real, estimada por
los modelos dinmicos de tres factores. Las figuras 7-12, 7-13 y 7-14 muestran una
comparacin de errores de ajuste para ambos modelos. La figura 7-15 muestra una
comparacin de las estructuras de volatilidades estimadas, las cuales slo presentan
diferencias en el corto plazo. La tabla VII.7 muestra las volatilidades por plazo de
cada modelo. Slo en el grfico de Error Medio se observa una superioridad del
modelo de Vasicek por sobre el modelo de CIR, el cual presenta un leve sesgo
positivo.
Figura 7-11: Comparacin de tasas de inters instantneas estimadas por los
modelos de CIR y Vasicek de tres factores de riesgo, ajustados a un panel
incompleto de transacciones de bonos dependientes de las tasas de inters real, Enero
1997 Diciembre 2001.
0%
5%
10%
15%
20%
25%
30%
06/01/97 22/12/97 07/12/98 22/11/99 06/11/00 22/10/01
Fecha
T
a
s
a

I
n
s
t
a
n
t
n
e
a
Cox-Ingersoll-Ross Vasicek Tasa de Poltica Monetaria Banco Central

107
Figura 7-12: Comparacin de RMSE por plazo, para los modelos dinmicos de
tres factores de CIR y Vasicek, estimados con un panel incompleto de tasas de inters
real, Enero 1997 Diciembre 2001.
Figura 7-13: Comparacin de MAE por plazo, para los modelos de tres factores
de tasas de inters real de CIR y Vasicek, Enero 1997 Diciembre 2001.
0,00%
0,02%
0,04%
0,06%
0,08%
0,10%
0,12%
0,14%
0 5 10 15 20
Plazo
M
A
E
CIR 3F Vasicek 3F
0,00%
0,05%
0,10%
0,15%
0,20%
0,25%
0 5 10 15 20
Plazo
R
M
S
E
CIR 3F Vasicek 3F

108
Figura 7-14: Comparacin de ME por plazo, para los modelos dinmicos de tres
factores de CIR y Vasicek, estimados con un panel incompleto de derivados de tasas
reales de inters, Enero 1997 Diciembre 2001.
Figura 7-15: Comparacin de Estructuras de Volatilidad estimadas, para los
modelos dinmicos de tres factores de CIR y Vasicek, ajustados a datos de
transacciones de derivados de tasas de inters reales, Enero 1997 Diciembre 2001.
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
3,00%
0 2 4 6 8 10 12 14 16 18 20
Plazo
V
o
l
a
t
i
l
i
d
a
d
CIR Vasicek Observada 1997 - 2001
-0,04%
-0,02%
0,00%
0,02%
0,04%
0,06%
0,08%
0 5 10 15 20
Plazo
M
E
CIR 3F Vasicek 3F

109
Tabla VII.7: Volatilidades por plazo, ajustadas por los modelos
dinmicos de CIR y Vasicek, estimados con un panel de datos incompletos de tasas
de inters real del mercado chileno, perodo Enero1997 Diciembre 2001.
PLAZO MUESTRA CIR VSK
1 1,872% 1,848% 1,895%
2 1,493% 1,592% 1,663%
3 1,249% 1,411% 1,454%
4 1,325% 1,273% 1,292%
5 1,213% 1,163% 1,169%
6 0,980% 1,074% 1,074%
7 1,065% 1,002% 1,000%
8 0,969% 0,942% 0,941%
9 0,935% 0,891% 0,893%
10 0,690% 0,848% 0,853%
11 0,888% 0,812% 0,819%
12 0,742% 0,780% 0,790%
13 0,756% 0,752% 0,765%
14 0,643% 0,728% 0,743%
15 0,788% 0,707% 0,724%
16 0,686% 0,688% 0,707%
17 0,680% 0,670% 0,692%
18 0,628% 0,655% 0,678%
19 0,728% 0,641% 0,666%
20 0,738% 0,628% 0,655%
Se observa que el desempeo de ambos modelos es muy similar, en todas
las categoras comparadas, presentando el modelo de Vasicek de tres factores un
menor sesgo de estimacin. De hecho, este modelo es, en promedio, insesgado,
mientras que el modelo de CIR presenta un leve sesgo positivo. Cabe sealar que
esta comparacin fue realizada en un perodo de tiempo en que las tasas de inters
eran ms bien elevadas. De realizar esta comparacin a niveles de tasas inferiores,
como es el caso de gran parte del ao 2002, probablemente el modelo de Vasicek
presentara an mejor desempeo que el modelo de CIR, para tasas de inters real.
Para el caso del modelo de un factor de riesgo, las comparaciones
resultan similares a las presentadas anteriormente para los modelos de tres factores.
La figura 7-16 muestra una comparacin de las tasas de inters instantneas
implcitas.

110
Figura 7-16: Comparacin de tasas de inters instantneas reales estimadas por
los modelos de un factor de CIR y Vasicek, Enero 1997 Diciembre 2001.
Nuevamente puede apreciarse que no existen mayores diferencias, salvo
para los episodios de tasas de inters altas, en que el modelo de CIR estima una tasa
de instancia mayor a la del modelo de Vasicek. La tabla VII.8 resume los errores de
ajuste, en TIR de PRC, de ambos modelos a la muestra de datos
Tabla VII.8: Errores de ajuste promedio de los modelos dinmicos
unifactoriales de CIR y Vasicek estimados con un panel incompleto de tasas de
inters real, para el perodo Enero 1997 Diciembre 2001.
MODELO ME MAE RMSE
CIR -0,007% 0,117% 0,166%
VASICEK 0,011% 0,128% 0,176%
En la tabla se aprecia que ambos modelos producen un desempeo
similar al ser ajustados a los datos observados para el perodo 1997 - 2001.
Las figuras 7-17, 7-18 y 7-19 muestran una comparacin de los errores
de ajuste por plazo para los modelos unifactoriales de CIR y Vasicek.
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
14,00%
16,00%
31/12/1996 16/12/1997 01/12/1998 16/11/1999 31/10/2000 16/10/2001
CIR BC Vasicek

111
Figura 7-17: Comparacin de RMSE por plazo, para los modelos de un factor de
CIR y Vasicek, estimados con un panel incompleto de tasas de inters real del mercado
chileno, Enero 1997 Diciembre 2001.
Figura 7-18: Comparacin de MAE por plazo, para los modelos de un factor de
CIR y Vasicek, estimados con un panel incompleto de tasas de inters real del mercado
chileno, Enero 1997 Diciembre 2001.
0,00%
0,10%
0,20%
0,30%
0,40%
0,50%
0,60%
0,70%
0,80%
0 5 10 15 20
Plazo
R
M
S
E
CIR Vasicek
0,00%
0,10%
0,20%
0,30%
0,40%
0,50%
0,60%
0 5 10 15 20
Plazo
M
A
E
CIR Vasicek

112
Figura 7-19: Comparacin de ME por plazo, para los modelos de un factor de
CIR y Vasicek, estimados con un panel incompleto de tasas de inters real del
mercado chileno, Enero 1997 Diciembre 2001.
En los grficos de RMSE y MAE puede apreciarse que el modelo de CIR
presenta un menor error de ajuste en los plazos cortos, mientras el modelo de
Vasicek presenta mejor error de ajuste en plazos ms largos, lo que hace que en
promedio su ajuste sea similar. Al igual que en el caso anterior, la comparacin
podra variar sustancialmente de incorporarse un escenario de tasas bajas.
7.5 Resultados para Tasas de Inters Nominal
A continuacin se presentan los resultados de estimar modelos de uno,
dos y tres factores de riesgo, calibrados con instrumentos dependientes de las tasas
de inters nominal.
7.5.1 Modelos Estimados
Al igual que en el caso de las tasas de inters real, la estimacin con tasas
nominales produce una serie de tiempo de la tasa instantnea de inters.
En la figura 7-20 se muestra la evolucin de la tasa de corto plazo
estimada para los modelos de uno, dos y tres factores de tasas de inters nominal, y
se compara con la TPM.
-0,10%
-0,05%
0,00%
0,05%
0,10%
0,15%
0 5 10 15 20
Plazo
M
E
CIR Vasicek

113
Figura 7-20: Comparacin de la TPM del BC con las tasas nominales
instantneas estimadas para los modelos de uno, dos y tres factores de riesgo del
modelo CIR, para el perodo Enero 2001 Enero 2002.
En la figura se puede apreciar que el modelo de CIR replica a la TPM,
presentando una correlacin superior al 97% para todos los modelos estimados. Se
aprecia tambin que el modelo de tres factores es aquel que presenta mayor
flexibilidad para captar variaciones en la tasa, reflejado en el perodo previo a la
nominalizacin
4
. Cabe sealar que el panel de datos nominales cuenta con
transacciones a plazos de hasta un ao en gran parte del perodo comprendido por la
muestra, por lo que los shocks de la economa que afectan a las tasas de nominales
de ms largo plazo no pueden ser capturados por los pagars de plazos ms cortos.
En la figura se aprecia tambin como la volatilidad de la tasa depende de
su nivel, pues la variacin diaria es menor a medida que el nivel de la tasa disminuye
hacia el fin de la muestra. Las figuras 7-21 y 7-22 se muestran las curvas de TIR de
BCP y cero cupn nominal, estimadas para el 13 de septiembre de 2002.

4
Ocurrida el 9 de Agosto de 2001.
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
14,00%
01-01-2001 02-07-2001 31-12-2001 01-07-2002 30-12-2002
Fecha
T
a
s
a

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)
Tasa Poltica Monetaria Tasa CIR 1F Tasa CIR 2F Tasa CIR 3F

114
Figura 7-21: Curva Cero Cupn estimadas para los modelos de uno, dos y tres
factores de riesgo, 13 de septiembre de 2002.
Figura 7-22: Curva de TIR de BCP, estimadas para los modelos de uno, dos y
tres factores de riesgo, 13 de septiembre de 2002.
El da presentado corresponde a la primera transaccin de BCP efectuada
en la BCS. Puede apreciarse que las transacciones de PDBC se concentran en la parte
corta de la curva, pese a esto las ETI estimadas por el modelo valorizan
adecuadamente el papel de plazo ms largo. El modelo de tres factores muestra
mayor flexibilidad para ajustarse a las tasas observadas en el corto plazo, siendo
adems, el que menor error comete en la valorizacin del BCP a cinco aos plazo.
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
3,00%
3,50%
4,00%
4,50%
0 100 200 300 400 500 600 700
Plazo (Das)
T
a
s
a

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)
Tasa Cero 1F Tasa Cero 2F Tasa Cero 3F PDBC
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
8,00%
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
Plazo (Aos)
T
I
R

(
A
n
u
a
l

C
o
n
t
i
n
u
a
)

115
Las tablas VII.9, VII.10 y VII.11 comparan RMSE, MAE y ME entre los
modelos dinmicos de uno, dos y tres factores, en plazos representativos de madurez.
Tabla VII.9: Comparacin de RMSE en plazos seleccionados, entre los
modelos de uno, dos y tres factores de riesgo de tasas de inters nominal, Enero 2001
Diciembre 2002.
PLAZO (Das) 1F 2F 3F
1 8,288% 8,275% 7,084%
2 2,104% 2,104% 1,949%
3 4,175% 4,110% 4,242%
7 1,213% 1,179% 0,833%
14 1,152% 1,136% 0,670%
21 1,026% 0,981% 0,466%
28 1,018% 0,922% 0,696%
35 1,329% 1,032% 0,331%
40 1,229% 1,039% 0,525%
45 0,759% 0,644% 0,485%
50 0,940% 0,755% 0,224%
55 0,509% 0,413% 0,272%
60 0,470% 0,327% 0,164%
65 0,585% 0,562% 0,141%
70 0,383% 0,319% 0,292%
75 0,402% 0,384% 0,363%
80 0,426% 0,367% 0,221%
85 0,572% 0,548% 0,212%
90 0,586% 0,431% 0,384%
100 0,368% 0,274% 0,248%
110 0,232% 0,200% 0,149%
120 0,279% 0,224% 0,157%
135 0,199% 0,114% 0,089%
150 0,143% 0,126% 0,098%
180 0,145% 0,132% 0,121%
240 0,194% 0,145% 0,140%
360 0,269% 0,208% 0,189%
540 0,069% 0,068% 0,065%
720 0,064% 0,051% 0,037%
PROMEDIO 0,770% 0,633% 0,594%

116
En la tabla VII.9 se aprecia que los errores de los modelos de uno y dos
factores son bastante similares, mientras que el error del modelo de tres factores es
menor a stos. Este fenmeno se repite en la tabla VII.10, la cual compara ME.
Tabla VII.10: Comparacin de MAE para plazos seleccionados, entre los
modelos de uno, dos y tres factores de riesgo, estimados utilizando tasas de inters
nominal, Enero 2001 Diciembre 2002.
1 3,606% 3,565% 3,301%
2 1,319% 1,229% 1,196%
3 2,360% 2,292% 2,192%
7 0,710% 0,689% 0,488%
14 0,596% 0,587% 0,306%
21 0,577% 0,528% 0,224%
28 0,482% 0,468% 0,272%
35 0,688% 0,638% 0,192%
40 0,627% 0,609% 0,180%
45 0,413% 0,394% 0,244%
50 0,493% 0,411% 0,153%
55 0,334% 0,332% 0,174%
60 0,323% 0,259% 0,126%
65 0,318% 0,310% 0,113%
70 0,251% 0,263% 0,209%
75 0,279% 0,252% 0,240%
80 0,276% 0,318% 0,197%
85 0,372% 0,322% 0,145%
90 0,362% 0,313% 0,253%
100 0,288% 0,283% 0,247%
110 0,174% 0,151% 0,119%
120 0,215% 0,208% 0,157%
135 0,164% 0,142% 0,082%
150 0,117% 0,100% 0,060%
180 0,118% 0,116% 0,092%
240 0,151% 0,118% 0,091%
360 0,236% 0,173% 0,155%
540 0,069% 0,067% 0,065%
720 0,061% 0,048% 0,033%
PROMEDIO 0,649% 0,511% 0,422%

117
Tabla VII.11: Comparacin de ME para plazos seleccionados, entre los
modelos CIR de uno, dos y tres factores de riesgo, estimados utilizando tasas de
inters nominal, Enero 2001 Diciembre 2002.
1 -2,170% -1,821% -1,923%
2 0,244% 0,410% 0,313%
3 0,434% 0,316% 0,175%
7 0,119% 0,107% 0,088%
14 0,120% 0,169% 0,021%
21 0,180% 0,153% 0,046%
28 0,173% 0,186% 0,120%
35 0,386% 0,323% 0,088%
40 0,308% 0,334% 0,050%
45 0,217% 0,216% 0,104%
50 0,219% 0,214% 0,121%
55 0,076% 0,075% 0,043%
60 0,091% 0,087% 0,030%
65 0,182% 0,135% 0,071%
70 0,114% 0,119% 0,008%
75 0,100% 0,105% -0,045%
80 0,099% 0,164% 0,055%
85 0,260% 0,307% 0,077%
90 0,223% 0,196% 0,083%
100 0,126% 0,114% -0,070%
110 0,145% 0,117% 0,107%
120 0,136% 0,129% 0,117%
135 0,031% 0,073% -0,035%
150 -0,018% 0,053% -0,044%
180 -0,029% 0,040% -0,029%
240 -0,077% 0,076% -0,005%
360 -0,020% 0,042% 0,020%
540 -0,012% 0,014% -0,065%
720 0,060% 0,048% -0,016%
PROMEDIO 0,172% 0,094% -0,018%

118
Las tablas presentadas nos muestran que, en general, el error de ajuste
decrece a medida que aumenta el plazo, sin embargo, al no existir transacciones en
forma permanente, especialmente en los plazos ms largos, la disminucin no es
montona y en ocasiones aumentan los errores, pues el modelo ante la falta de
informacin asume la ltima observacin registrada y no se ajusta inmediatamente
ante la aparicin de nuevas transacciones.
En muchos casos las diferencias entre los errores de los modelos de uno
y dos factores, e incluso a veces del modelo de tres factores son muy similares,
especialmente en plazos mayores a 30 das y ms marcadamente en plazos mayores a
100 das, esto es debido a que uno de los factores para los modelos de dos y tres
factores, y en algunos casos dos factores en el modelo de tres factores, alcanzan
varias veces el valor cero en la muestra, siendo en la prctica, igual a los modelos de
uno y dos factores. A esto se suma la baja presencia en la muestra de las
transacciones en dichos plazos.
El modelo de tres factores es aquel que presenta menor sesgo, entre los
tres modelos comparados, llegando ste a una cifra inferior a dos puntos bases.
En el captulo IV de la presente tesis se mostr que los modelos estticos
no eran capaces de reflejar adecuadamente la estructura de volatilidad que presentan
las observaciones de PDBC, por lo cual se hace necesario recurrir a modelos
dinmicos, para conseguir estimaciones estables y confiables de la estructura de tasas
de inters.
Los modelos dinmicos logran corregir parte de las deficiencias de los
modelos estticos, especialmente en lo que se refiere a la volatilidad de las tasas de
ms largo plazo observadas en la muestra.
La tabla VII.12 muestra la volatilidad de tasa de los PDBC, para un
conjunto replazos representativos de la muestra.

119
Tabla VII.12: Comparacin de volatilidad en tasa de PDBC observada
con volatilidades estimadas por los modelos dinmicos de CIR de uno, dos y tres
factores de riesgo, en plazos representativos del espectro de madurez.
PLAZO
(Das)
PDBC 1F 2F 3F
1 8,699% 1,914% 1,667% 2,218%
2 2,879% 1,914% 1,668% 2,205%
3 4,322% 1,914% 1,669% 2,192%
4 2,284% 1,914% 1,670% 2,180%
5 2,196% 1,914% 1,670% 2,168%
6 2,083% 1,914% 1,671% 2,156%
7 2,198% 1,914% 1,672% 2,144%
8 2,099% 1,914% 1,673% 2,133%
9 2,071% 1,914% 1,674% 2,122%
10 2,018% 1,914% 1,675% 2,111%
11 2,054% 1,913% 1,676% 2,100%
12 2,104% 1,913% 1,676% 2,090%
13 2,301% 1,913% 1,677% 2,080%
14 1,911% 1,913% 1,678% 2,070%
15 2,070% 1,913% 1,679% 2,061%
21 2,042% 1,912% 1,684% 2,009%
30 1,980% 1,912% 1,692% 1,944%
40 1,889% 1,911% 1,700% 1,888%
50 1,896% 1,910% 1,709% 1,845%
60 1,884% 1,909% 1,718% 1,812%
75 1,930% 1,907% 1,731% 1,778%
90 1,832% 1,906% 1,744% 1,758%
95 1,526% 1,905% 1,749% 1,753%
100 1,540% 1,905% 1,753% 1,749%
115 1,526% 1,903% 1,767% 1,742%
150 1,540% 1,900% 1,798% 1,744%
190 1,428% 1,896% 1,835% 1,764%
230 1,516% 1,892% 1,873% 1,793%
270 1,829% 1,889% 1,912% 1,828%
315 1,911% 1,884% 1,956% 1,871%
360 1,893% 1,880% 2,001% 1,918%

120
En la tabla anterior se aprecia que es el modelo de tres factores aquel que
mejor representa la volatilidad de los datos observados, especialmente pues capta de
mejor manera la volatilidad que presentan las tasas nominales en el corto plazo.
Se observa que todos los modelos sobreestiman la volatilidad en el rango
entre 90 y 240 das, debido a la baja presencia de dichos plazos en la muestra. Esto
puede apreciarse de mejor manera en la figura 7-23, la cual grafica la comparacin
entre las volatilidades en tasa, observadas en las transacciones de la BCS y las
volatilidades estimadas por los modelos de CIR.
Figura 7-23: Comparacin de las volatilidades en tasa, observadas en la
muestra de PDBC y las volatilidades estimadas por los modelos de CIR de uno, dos y
tres factores de riesgo, perodo Enero 2001 Diciembre 2002.
En la figura se aprecia que el modelo de un factor presenta una estructura
plana de volatilidades, mientras el modelo de dos factores no posee la flexibilidad
suficiente para ajustarse a una estructura de volatilidades decreciente en el tramo
inicial de la curva y creciente en su tramo final.
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
0 50 100 150 200 250 300 350
Plazo (Das)
V
o
l
a
t
i
l
i
d
a
d

(
%
)
VOL PDBC VOL CIR 1F VOL CIR 2F VOL CIR 3F

121
El modelo de tres factores logra adaptarse de mejor forma a la volatilidad
de las tasas de corto plazo, en comparacin a los dos modelos anteriores, pero no
logra captar correctamente la volatilidad en el sector intermedio de la curva. Todos
los modelos estimados logran reflejar adecuadamente la volatilidad de las tasas de
largo plazo.
7.5.4 Comparacin de Estimaciones mediante Modelos Estticos vs.
Estimaciones mediante Modelos Dinmicos
En esta seccin se realiza una comparacin de las estimaciones de
estructuras de tasas de inters, mediante los modelos estticos de Nelson & Siegel y
Svensson, y las estimaciones de modelos dinmicos de estructuras de tasas de inters
nominal de CIR de uno, dos y tres factores.
La tabla VII.13 resume los errores de ajuste, en tasa de PDBC, de los
modelos sealados a la muestra de datos
Tabla VII.13: Comparacin de errores de ajuste promedio de las
estructuras de tasas de inters nominal, estimadas mediante los modelos de Nelson &
Siegel, Svensson y CIR, para el perodo Enero 2001 Diciembre 2002.
Modelos Estticos Modelo CIR
Error Promedio N & S Svensson 1F 2F 3F
RMSE 0,0487% 0,0236% 0,770% 0,663% 0,594%
MAE 0,0064% 0,0041% 0,649% 0,511% 0,422%
ME -0,0001% -0,00001% 0,172% 0,094% -0,018%
En la tabla se aprecia que el ajuste de los modelos estticos es
sustancialmente mejor, lo que es esperable al compararse errores promedio de ajuste
de tasas estimadas a tasas observadas en das especficos entre un mtodo de ajuste a
datos contemporneos, versus uno de ajuste global a series de tiempo de dichas
observaciones.
Como ya se seal en la seccin 5.3 del presente captulo, los modelos
estticos no logran reflejar adecuadamente la volatilidad de las tasas de inters,
debido a que esta depende de la evolucin temporal de los niveles de la ETI, lo cual
no es considerado por dicho tipo de modelos.

122
La figura 7-24 muestra una comparacin de las volatilidades estimadas
por los modelos aqu comparados. En ella se puede apreciar que los modelos
dinmicos captan de mejor forma la volatilidad de las tasas de inters, la cual es
sobreestimada para todos los plazos por los modelos estticos.
Figura 7-24: Comparacin de las volatilidades en tasa, observadas de PDBC y
las volatilidades estimadas por los modelos Nelson & Siegel, Svensson, y CIR de
uno, dos y tres factores de riesgo, Enero 2001 Diciembre 2002.
7.6 Conclusiones Preliminares
7.6.1 Tasas de Inters Real
De acuerdo a los resultados obtenidos, es posible afirmar que el modelo
CIR logra caracterizar la estructura de tasas de inters reales del mercado chileno
para el perodo Enero 1997 Septiembre 2002, perodo en el cual las tasas de inters
se mantienen en niveles positivos. Esto es concordante con el espritu bajo el cual fue
desarrollado, que es impedir tasas negativas.
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
0 50 100 150 200 250 300 350
Plazo (Das)
V
o
l
a
t
i
l
i
d
a
d

(
%
)
PDBC CIR 1F CIR 2F CIR 3F N & S Svensson

123
Es posible observar que, en general, los modelos de uno, dos y tres
factores producen errores promedio menores a 10 puntos bases para la valorizacin
de los bonos del BC, logrando todos replicar la estructura de volatilidad observada en
el mercado. No obstante lo anterior, es el modelo de tres factores aquel que produce
curvas ms flexibles y con mejor capacidad de adaptarse a las diferentes condiciones
de mercado.
Finalmente, se observa que a medida que se aumenta el nmero de
factores, el modelo es capaz de captar de mejor manera los shocks que afectan a las
tasas de inters, lo cual se ve reflejado en perodos como la crisis de liquidez en
septiembre de 1998 o el escenario de bajas tasas de inters, durante 2002.
Al compararse los resultados obtenidos mediante la estimacin del
modelo CIR con los trabajos de Cortzar, Schwartz y Naranjo (2003) y Molinare
(2002) que utilizan el modelo de Vasicek, no se aprecian grandes diferencias en el
desempeo de ambos modelos.
7.6.2 Tasas de Inters Nominal
A partir de los resultados obtenidos, es posible afirmar que el modelo
CIR es capaz de caracterizar la estructura de tasas de inters nominal observada en
Chile, en el perodo Enero 2001 Diciembre 2002. Esto se ve reflejado en los
errores de estimacin, sensiblemente ms altos que los errores obtenidos mediante
modelos estticos, y que los errores de las tasas reales de inters.
Las estructuras de tasas estimadas por los modelos de uno y dos factores
de riesgo presentan menor flexibilidad para adaptarse a los datos que aquellas
estimadas por el modelo de tres factores.
Nuevamente es el modelo de tres factores aqul que mejor caracteriza la
estructura de volatilidad de los datos presentes en la muestra. Es esta caracterstica en
la que se los modelos dinmicos se destacan por sobre los modelos de Nelson &
Siegel y Svensson, pese a que stos ltimos presenten mejores estadsticas promedio
de error de ajuste a los datos que los ajustes realizados por modelos dinmicos.

124
VIII CONCLUSIONES
En el presente trabajo se analizaron e implementaron modelos estticos y
dinmicos para ajustar estructuras de tasas de inters a datos del mercado chileno de
instrumentos de renta fija, tanto para tasas de inters real, como nominal. La
particularidad de los paneles de datos empleados es que la cantidad y plazos de las
tasas observadas varan al interior de las muestras, constituyendo paneles
incompletos de datos.
Los modelos estticos analizados, Nelson & Siegel (1987) y Svensson
(1994), fueron implementados para bonos dependientes de las tasas de inters
nominal, cuyas transacciones provienen del mercado de intermediacin financiera.
Estos modelos dependen fuertemente de la existencia de un nmero suficiente de
transacciones, repartidas de manera de cubrir el espectro de plazo para producir una
estimacin estable y consistente de la estructura de tasas de inters. En tales
condiciones, demostraron alcanzar un muy buen ajuste a los datos, pero las
estructuras estimadas sobreestiman la volatilidad observada de las tasas de inters,
especialmente en el largo plazo.
Sin embargo, las caractersticas del mercado estudiado, apuntan a una
escasez de transacciones, y especialmente concentradas en plazos menores a 90 das,
por lo que las tasas de inters ajustadas por los modelos muestran poca consistencia
en la forma y niveles de las estructuras estimadas, pues no fueron concebidos para
ser empleados en mercados incompletos e ilquidos como el estudiado en esta tesis.
Para remediar esta deficiencia en las estructuras de tasas estimadas, se
implement el modelo dinmico de estructuras de tasas de inters de Cox-Ingersoll-
Ross (1985b, CIR). Este ajuste fue llevado a cabo mediante el uso de un filtro de
Kalman no lineal, aplicado a los mencionados paneles de datos. Como se trata de un
modelo que requiere de gran cantidad de informacin para una adecuada calibracin
de sus parmetros, se opt por validar el uso del modelo, empleando un panel de
tasas de inters reales, el cual consista en casi seis aos de transacciones, en
comparacin a los dos aos de transacciones que registra el panel de tasas de inters
nominal; y compararlo con estudios anteriores que emplearon el modelo dinmico de
Vasicek (1977) para sus estimaciones.

125
A diferencia de los modelos estticos, el modelo CIR produce mayores
errores de ajuste a los bonos, pero mantiene una estructura de tasas estable en el
tiempo, especialmente en lo que se refiere a las volatilidades de las tasas estimadas
por el modelo, las cuales reflejan aquellas observadas en la muestra.
En el caso de las tasas reales, la implementacin del modelo produce
errores de ajuste menores a su smil nominal y comparable a los obtenidos por
Cortzar, Schwartz y Naranjo (2003) y Molinare (2002), los cuales utilizan el mismo
panel de datos. Es posible afirmar que el modelo CIR logra caracterizar a la
estructura de tasas de inters reales chilena para el perodo Enero 1997- Septiembre
2002. Posterior a esta fecha, las tasas de inters real negativas que se observaron en
el mercado chileno, impiden la aplicacin del modelo, el cual fue concebido para ser
usado con tasas de inters nominales.
El modelo CIR de un factor de riesgo estima estructuras demasiado
planas, no logrando adecuarse a los perodos en que la estructura de tasas presenta
alguna curvatura. En este sentido el modelo de dos factores de riesgo capta gran
parte de los niveles y variaciones de la tasa de inters, pero no posee la flexibilidad
suficiente para ajustar las tasas de corto plazo. Estos problemas s son enmendados
por el modelo de tres factores, el cual adems mejora la estimacin de las
volatilidades de tasas de corto plazo.
La implementacin para tasas nominales supera los problemas de
sobreestimacin de volatilidad y estabilidad de largo plazo observados en el estudio
de modelos estticos, gracias a la utilizacin del filtro de Kalman, pero produce
errores de estimacin mayores a los obtenidos en la estimacin mediante modelos
estticos. Esto refleja la diferencia esencial entre un modelo dinmico y un modelo
esttico, siendo el primero concebido para lograr una consistencia temporal de las
estimaciones, versus ajustarse lo mejor posible a los datos observados en forma
contempornea, lo cual es el objetivo del segundo.
El panel de datos constituye un elemento crtico de la estimacin, pues
representa la muestra ms grande, completa y confiable de tasas de inters disponible
en Chile, y pese a su corta duracin en la muestra de tasas nominales, as como
distorsiones en los niveles de tasas introducidos por efectos y usos del mercado local,
permiten una adecuada estimacin del modelo de CIR.

126
Adems, utilizando el modelo CIR y estimando mediante un filtro de
Kalman, es posible extraer de ambos paneles de datos, nominales y reales, la
informacin suficiente para caracterizar las estructuras de tasas de inters del
mercado chileno.
Poco se ha investigado en el rea de estimaciones con datos incompletos,
y los problemas estadsticos que esto genera, por ejemplo sobre la matriz de
covarianzas de las series de datos. Esto abre un campo de estudio a la correcta
estimacin de medidas estadsticas que permitan robustecer la calidad del anlisis.
Adems, la falta de transacciones en un da resulta crucial a la hora de
implementar modelos estticos, por lo que puede estudiarse la posibilidad de
incorporar las transacciones histricas, ponderndolas con algn factor. Adems, en
el caso de los modelos dinmicos, la forma en que son agrupados los datos resulta ser
crtico a la hora de estimar las estructuras dinmicas de tasas de inters. En este
sentido falta mayor investigacin de las caractersticas del mercado local, que
permita una mejor agregacin de los datos, especialmente nominales, que facilite la
estimacin.
Una nueva lnea de investigacin puede ahondar en la inclusin de
correlaciones entre los factores que controlan la evolucin de las tasas de inters.
Cox, Ingersoll y Ross suponen que estos factores son independientes, pero la
evidencia emprica refuta esta afirmacin. De acuerdo a Dai y Singleton (2000)
podra implementarse una versin con factores correlacionados de este modelo. La
gran desventaja radica en que las soluciones de las ecuaciones de valorizacin de
bonos dejan de ser analticas y deben ser resueltas numricamente. Adems, los
desarrollos de los modelos multifactoriales suponen que cada factor sigue un proceso
del tipo CIR, por lo que ninguno puede ser negativo. Podra investigarse la
combinacin de procesos estocsticos que permitan, por ejemplo, a los factores que
capturan los shocks de corto plazo, tomar eventualmente valores negativos. Esto
podra evitar la presencia de un leve sesgo del modelo, producido por su incapacidad
de ajustar sus factores para reflejar de mejor manera los movimientos de las tasas de
inters.

127
BIBLIOGRAFA
ANDERSEN, G. T. and J. LUND (1997). Estimating continuous time stochastic
volatility models of the short interest rate. Journal of Econometrics 77: 343-377.
ANDERSON, N. and J. SLEATH (2001). New estimates of the UK real and nominal
yield curves. Working Paper 126, Bank of England.
BABBS, H. S. and B. K. NOWMAN (1998). An application of generalized Vasicek
term structure models to the UK gilt-edged market: A Kalman filtering analysis.
Applied Financial Economics 8: 637-644.
BABBS, S. and B. NOWMAN (1999). Kalman filtering of generalized Vasicek term
structure models. Journal of Financial and Quantitative Analysis 34: 115-130.
BANCO CENTRAL DE CHILE (2002). Normas Financieras, Captulo IV.B.
Santiago, Banco Central de Chile: 6.1-11.3.
BENNINGA, S. and Z. WIENER (1998). Term structure of interest rates.
Mathematica in Education and Research 7(2): 1-9.
BLACK, F., E. DERMAN and W. TOY (1990). A one-factor model of interest rates
and its application to Treasury bond options. Financial Analyst journal, 33-39.
BLACK, F., P. KARASINSKI (1991). Bond and option pricing when short rates are
lognormal. Financial Analyst journal, 52-59.
BLISS, R. R. (1996). Testing term structure estimation methods. Advances in
Futures and Options Research 9: 197-231.
BRACE, A., D. GATAREK and M. MUSIELA (1997). The market model of interest
rate dynamics. Mathematical Finance 7(2): 127-154.
BREEDEN, T. D. (1986). Consumption, production, inflation and interest rates: A
synthesis. Journal of Financial Economics 16: 3-39.

128
BRENNAN, M. AND E. SCHWARTZ (1979). A continuous time approach to the
pricing of bonds. Journal of Banking and Finance 3: 133-155.
BRENNAN, M. AND E. SCHWARTZ (1980). Analyzing convertible bonds. Journal
of Financial and Quantitative Analysis 15: 907-929.
BROWN, R. and S. SCHAEFER (1994). The term structure of real interest rates and
the Cox, Ingersoll, and Ross model. Journal of Financial Economics 35: 3-42.
BROWN, S. and P. DYBVIG (1986). The empirical implications of the Cox,
Ingersoll, Ross theory of the term structure of interest rates. Journal of Finance
XLI(3): 617-632.
CAMPBELL, J. (1986). A defense of traditional hypotheses about the term structure
of interest rates. Journal of Finance XLI(1): 183-193.
CHAN, K. C., G. A. KAROLYI, LONGSTAFF, F.A. and SANDERS, A. B. (1992).
An empirical comparison of alternative models of the short-term interest rate. Journal
of Finance XLVII(3): 1209-1227.
CHAPMAN, A. D. and D. N. PEARSON (2001). Recent advances in estimating
term-structure models. Financial Analysts Journal 57(4): 77-95.
CHEN, R.-R. and L. SCOTT (1992). Pricing interest rate options in a two-factor
Cox-Ingersoll-Ross model of the term structure. The Review of Financial Studies
5(4): 613-636.
CHEN, R.-R. and L. SCOTT (2002). Multi-factor Cox-Ingersoll-Ross models of the
term structure: estimates and tests from a Kalman filter model. Working Paper,
Rutgers University: 1-48.
CORTAZAR, G. and E. SCHWARTZ (1994). The Valuation of commodity-
contingent claims. The Journal of Derivatives 1: 27-39.
CORTAZAR, G. and E. SCHWARTZ (2002). Implementing a stochastic model for
oil futures prices. Energy Economics 25: 215-238.

129
CORTAZAR, G., E. SCHWARTZ, and NARANJO, L. (2003). Term structure
estimation in low-transaction frequency markets: A Kalman filter approach with
incomplete panel data. Working Paper, Anderson School of Management at UCLA.
COX, J., J. INGERSOLL, and ROSS, S. (1985a). An intertemporal general
equilibrium model of asset prices. Econometrica 53(2): 363-384.
COX, J., J. INGERSOLL, and ROSS, S. (1985b). A theory of the term structure of
interest rates. Econometrica 53(2): 385-407.
DAI, Q. and K. SINGLETON (2000). Specification analysis of affine term structure
models. The Journal of Finance LV(5): 1943-1978.
DE JONG, F. (1999). Time-series and cross-section information in affine term
structure models. Working Paper, Centre for Economic Policy Research: 1-43.
DIAZ, A. (2000). Modelo de precios de commodities, filtro de Kalman y su
aplicacin a polticas ptimas de hedging en mercados de futuros. Tesis de Magister
en Ciencias de la Ingeniera, Pontificia Universidad Catlica de Chile.
DOTHAN, L. U. (1978). On the term structure of interest rates. Journal of Financial
Economics 6: 59-69.
DUAN, J.-C. and J.-G. SIMONATO (1995). Estimating and testing exponential-
affine term structure models by Kalman filter. Montral, CIRANO.
DUFFEE, R. G. and H. R. STANTON (2000). EMM estimation of affine and non-
affine term structure models. Working Paper, University of California, Berkeley.
DUFFEE, R. G. and H. R. STANTON (2001). Estimation of dynamic term structure
models. Working Paper, University of California, Berkeley.
DUFFIE, D. and R. KAN (1995). A yield-factor model of interest rates.
Mathematical Finance 6: 379-406.
DUNN, K. and J. McCONNEL (1981). Valuation of GNMA mortgage backed
securities. Journal of Finance 36: 599-616.

130
DYBVIG, P. (1989). Bond and bond option pricing based on the current term
structure. Working Paper, Washington University.
FACKLER, P. and M. ROBERTS (1999). A term structure model for agricultural
futures. Selected Paper, American Agricultural Economics Association Meetings.
FAMA, E. (1984). The information in the term structure. Journal of Financial
Economics 13: 509-528.
FERNANDEZ, V. (1999). Estructuras de tasas de inters en Chile: La va no
paramtrica. Cuadernos de Economa 36 (109): 1005-1034.
FISHER, M., D. NYCHKA and ZERVOS, D. (1994). Fitting the term structure of
interest rates with smoothing splines. Working Paper, Federal Reserve Board,
Washington.
FONG, G. and VASICEK, O. (1991). Interest rate volatility as a stochastic factor.
Gifford Fong Associates Working Paper.
FRHWIRTH-SCHNATTER, S. and A. GEYER (1998). Bayesian estimation of
econometric multi-factor Cox-Ingersoll-Ross models of the term structure of interest
rates via MCMC methods. Working Paper, Vienna University of Economics and
Bussines Administration.
GEYER, A. and S. PICHLER (1998). A State-space approach to estimate and test
multifactor Cox-Ingersoll-Ross models of the term structure. Journal of Financial
Research 22(1): 107-130.
GIBBONS, M. and K. RAMASAWAY (1993). A test of the Cox, Ingersoll and Ross
model of the term structure. The Review of Financial Studies 6(3): 619-658.
GOLDSTEIN, R. (2000). The term structure of interest rates as a random field. The
Review of Financial Studies 13: 365-384.
HARVEY, A. (1991). Forecasting, structural time series models and the Kalman
filter. New York, Cambridge University Press.

131
HARVEY, C. (1988). The real term structure and consumption growth. Journal of
Financial Economics 22: 305-333.
HEATH, D., R. JARROW and MORTON, A. (1992). Bond pricing and the term
structure of interest rates. A new Methodology for contingent claims valuation.
Econometrica 60: 77-105.
HERRERA, L. y MAGENDZO, I. (1997). Expectativas financieras y la curva de
tasas forward de Chile. Documento de Trabajo 23, Banco Central de Chile.
HO, Y and B. LEE (1986). Term structure movements and pricing interest rate
contingent claims. Journal of Finance 41: 1011-1029.
HUGHSTON, L., Ed. (1996). Vasicek and beyond, approaches to building and
applying interest rate models. London, Risk Publications.
HULL, J. (2000). Options, futures and ohter derivatives, Prentice-Hall International.
HULL, J. and A. WHITE (1990). Pricing interest rates derivative securities. Review
of Financial Studies 3(4): 573-592.
JAMISHIDIAN, F. (1987). Pricing of contingent claims in the one factor term
structure model. Merryll Lynch Capital Markets.
JAMISHIDIAN, F. (1989). An exact bond option formula. Journal of Finance 44:
205-209.
KALMAN, E. R. (1960). A new approach to linear filtering and prediction problems.
Journal of Basic Engineering D(82): 34-45.
KAU, J., D. KEENAN, et al. (1995). The valuation at origination of fixed-rate
mortgages with default and prepayment. Journal of Real Estate Finance and
Economics(11): 5-36.
KENNEDY, D. (1994). The term structure of interest rates as a Gaussian random
field. Mathematical Finance 4: 247-258.

132
KENNEDY, D. (1997). Characterizing Gaussian models of the term structure of
interest rates. Mathematical Finance 7: 107-118.
LEFORT, F. G. and E. N. WALKER (2000). Caracterizacin de la estructura de
tasas de inters reales en Chile. Economa Chilena 3(2): 31-52.
LONGSTAFF, F. (1989). A nonlinear general equilibrium model of the term
structure of interest rates. Journal of Financial Economics 23: 195-224.
LONGSTAFF, F. (1990b). The valuations of options on yields. Journal of Financial
Economics 26: 97-121.
LONGSTAFF, A. F. and S. E. SCHWARTZ (1992). Interest rate volatility and the
term structure: A two-factor general equilibrium model. Journal of Finance
XLVII(4): 1259-1282.
LUND, J. (1997a). Econometric analysis of continuous-time arbitrage-free models of
the term structure. Working Paper, The Aarhus School of Business.
LUND, J. (1997b). Non-linear Kalman filtering techniques for term-structure
models. Working Paper, The Aarhus School of Business.
McCULLOCH, J. H. (1971). Measuring the term structure of interest rates. The
Journal of Business XLIV: 19-31.
McCULLOCH, J. H. (1975). The tax-adjusted yield curve. Journal of Finance
XXX(3): 811-830.
MERTON, C. R. (1973). The theory of rational option pricing. The Bell Journal of
Economics and Management Science(4): 141-183.
MILTERSEN, R., K. SANDMANN and D. SONDERMANN (1997). Closed form
solutions for term structure derivatives with log-normal interest rates. Journal of
Finance 52 (1): 409-430.

133
MOLINARE, A. (2002). Estructura y dinmica de tasas de inters reales en Chile:
Informacin contenida en los pagars reajustables con pagos en cupones del Banco
Central. Tesis de Magster en Ciencias de la Ingeniera, PUC.
NATH, P. and B. NOWMAN (2001). Estimates of the continuous time Cox-
Ingersoll-Ross model: Further results for The gilt-edged market. Applied Economic
Letters(8): 85-88.
NARANJO, L. (2002). Modelos lognormales de precios de commodities y
calibracin mediante el filtro de Kalman utilizando paneles de datos incompletos de
futuros de cobre y petrleo. Tesis de Magster en Ciencias de la Ingeniera, PUC.
NAVAS, F. J. (1997). Modelos "clsicos" de la estructura temporal de tipos de
inters. Seminario MEFF-UAM, Madrid, Espaa.
NELSON, C. and A. SIEGEL (1987). Parsimonious modeling of yield curves. The
Journal of Business 60(4): 473-489.
PARISI, F. (1998). Tasas de inters nominal de corto plazo en Chile: Una
comparacin emprica de sus modelos. Cuadernos de Economa 35 (105): 161-182.
PARISI, F. (1999). Prediccin de tasas de inters nominal de corto plazo en Chile:
Modelos complejos vs. modelos ingenuos. Economa Chilena 2 (3): 97-121.
PEARSON, N. and T. SUN (1994). Exploiting the conditional density in estimating
the term structure: An application to the Cox, Ingersoll, and Ross model. Journal of
Finance XLIX(4): 1279-1304.
PENNACCHI, G. (1991). Identifying the dynamics of real interest rates and
inflation: Evidence using survey data. The Review of Financial Studies 4(1): 53-86.
PEREZ, I. (1999). Estructura intertemporal de tasas de inters en Chile. Memoria de
ttulo, Escuela de Ingeniera, Pontificia Universidad Catlica de Chile.
RAMASWAMY, K. and S. SUNDARESAN(1986). The valuation of floating rate
instruments. Journal of Financial Economics 17: 251-272.

134
SBIF (2001). Circular 3.114-1.388. Recopilacin de normas de bancos y financieras.
Santiago, Superintendencia de Bancos e Instituciones Financieras. Captulo 2-6.
SANTA-CLARA, P. and D. SORNETTE (2001). The dynamics of the forward
interest rate curve with stochastic string shocks. The Review of Financial Studies 14:
149-185.
SCHAEFER, S. and E. SCHWARTZ (1984). A two-factor model of the term
structure: An approximate analytical solution. Journal of Financial and Quantitative
Analysis 19 (4): 413-424.
SCHWARTZ, E. (1997). The stochastic behaviour of commodity prices:
Implications for valuations and hedging. Journal of Finance 52 (3): 923-973.
SHEA, S. (1984). Interest rate term structure estimation with exponential splines: A
Note. Journal of Finance XL(1): 319-325.
SIM, A. and D. THURSTON (1996). An empirical study of a new class of no-
arbitrage-based discrete models of the term structure. The Journal of Financial
Research XIX(4): 493-513.
STAMBAUGH, R. (1988). The information in forward rates: Implications for
models of the term structure. Journal of Financial Economics 21: 41-70.
SVENSSON, L. (1994). Estimating and interpreting forward interest rates: Sweden
1992-1994. Working Paper 4871, National Bureau of Economic Research.
VAN DER MERWE, R. and E. WAN (2001). The square-root unscented Kalman
filter for state and parameter estimation. Working Paper, Oregon Graduate Institute
of Science and Technology.
VASICEK, O. (1977). An equilibrium characterisation of the term structure. Journal
of Financial Economics 5: 177-188.
VASICEK, O. and G. FONG (1982). Term structure modeling using exponential
splines. Journal of Finance XXXVII(2): 339-348.

135
WAGGONER, D. (1997). Spline methods for extracting interest rate curves from
coupon bond prices. Working Paper 97-10, Federal Reserve Bank of Atlanta.
WELCH, G. and G. BISHOP (1995). An introduction to the Kalman filter. Working
Paper TR95-041, University of North Carolina.
YAN, H. (2001). Dynamic models of the term structure. Financial Analysts Journal
57(4): 60-76.
ZUIGA, S. (1999a). Modelos de tasas de inters en Chile: Una revisin. Cuadernos
de Economa 36 (108): 875-893.
ZUIGA, S. (1999b). Estimando un modelo de dos factores del tipo Exponential-
Affine para la tasa de inters chilena. Revista de Anlisis Econmico 14 (2): 117-
133.
136
136

A N E X O S
137
ANEXO A : CARACTERIZACIN DEL MERCADO DE
RENTA FIJA Y DE LOS INSTRUMENTOS DEL BANCO
CENTRAL DE CHILE
En esta seccin se complementa la descripcin del mercado chileno de
renta fija entregada en el captulo II de la presente tesis.
A.1 Caracterizacin de los Mercados de Renta Fija
a) Mercado de Intermediacin Financiera
El mercado de Intermediacin Financiera (IF) concentra toda la actividad
de financiamiento de corto plazo, tanto de las empresas del sector real, como de las
empresas del sector financiero, registrando importantes montos transados de activos
financieros. La tabla A.1 muestra los montos totales transados en los dos ltimos
aos, para diferentes categoras de instrumentos de IF.
Tabla A.1 Montos Transados en el Mercado de IF (Montos Expresados
en Millones de Ch$)
2001 2002
Total Mercado IF 20.190.925 23.017.643
Instrumentos BC 11.853.204 10.565.615
PDBC 4.893.985 10.021.580
Estos montos son de magnitud comparables con el PIB Chileno, el cual,
medido en Ch$ y a precios corrientes, alcanz a MM Ch$ 42.191.778 en 2001.
Como ya se mencion, el instrumento ms transado de este mercado es el
Pagar Descontable del Banco Central (PDBC). En la tabla A.2 se presenta una
medida de la liquidez de los PDBC, representado por la rotacin, en el mercado
secundario, del stock en circulacin que mantiene el BC. Cabe destacar que, si bien
los ndices son relativamente bajos, son el instrumento ms lquido del BC.
138
Tabla A.2 Rotacin Mensual Promedio del Stock de PDBC (Montos
Expresados en Millones de Ch$)
2001 2002
Monto Mensual Promedio Transado 407.832 835.132
Stock Mensual Promedio en Circulacin 2.343.542 3.048.827
Rotacin del Stock (Veces) 0,18 0,27
b) Mercado de Renta Fija
La mayor actividad del mercado financiero se concentra en el mercado
de Renta Fija (RF), tanto por nmero de instrumentos, como por la variedad de
emisores y los importantes montos transados. En la tabla A.3 se muestra un resumen
con los montos transados en RF.
Tabla A.3 Montos Transados en el Mercado de RF (Montos Expresados
en Miles de Millones de Ch$)
1997 1998 1999 2000 2001 2002
Total Mercado RF 4.180 3.512 4.775 5.913 10.949 14.076
Instrumentos BC 2.392 1.708 1.799 2.349 5.202 8.992
PRC
1
2.392 1.653 1.335 1.986 4.457 7.526

1
Las cifras, a partir del ao 2000, contienen las transacciones de CERO, que son producto del canje de
cupones de PRC.
139
En la tabla A.3 se puede apreciar que los montos transados van en
aumento luego de la crisis de liquidez de 1998. Esto tambin se refleja en las
transacciones y rotacin del stock de PRC, la cual prcticamente se duplic en cada
uno de los ltimos dos aos. Esta comparacin se presenta en la tabla A.4
Tabla A.4 Rotacin Mensual Promedio del Stock de PRC (Montos
Expresados en Miles de UF)
1997 1998 1999 2000 2001 2002
Monto Mensual Promedio
Transado
16.934 12.472 12.221 13.917 28.003 40.910
Stock Mensual Promedio en
Circulacin
444.268 469.501 445.404 407.085 360.114 305.174
Rotacin del Stock (Veces) 0,04 0,03 0,03 0,03 0,08 0,14
A.2 Aspectos Generales de Valorizacin de Instrumentos de Renta Fija
Para valorizar correctamente un bono, es necesario conocer no slo las
caractersticas propias del instrumento, sino tambin las convenciones utilizadas en
el mercado para denominarlos y cotizarlos, las cuales son propias a cada instrumento,
y finalmente influyen el valor que se paga por ellos.
A.2.1 Unidades de Cuenta
La gran mayora de los instrumentos presentes en el mercado local estn
denominados en pesos chilenos (Ch$) o Unidades de Fomento (UF). La UF est
ligada a la inflacin a travs del ndice de Precios al Consumidor (IPC), por cuya
variacin mensual se reajusta la UF entre los das 10 de cada mes y 9 del mes
siguiente, as en este perodo la UF se calcula como:
( )
, ( ) 9, ( )
% ( 1)
1
t
D
t mes t mes t
UF UF
mes t
IPC
=

+
(A.1)
140
En la ecuacin anterior, los trminos representan:
UF
t,mes(t)
: Valor de la UF t das despus de la publicacin del IPC.
UF
9,mes(t)
: Valor de la UF el ltimo da de publicacin.
%IPC
mes(t-1)
: Variacin porcentual del IPC en el mes anterior.
t: Das entre la fecha de clculo y la publicacin del ltimo IPC.
D: Perodo de vigencia del ltimo IPC publicado.
A.2.2 Valorizacin de Instrumentos del Banco Central
a) Pagars Descontables del Banco Central (PDBC)
Los PDBC son bonos de descuento, es decir, no devengan inters sobre
su principal y amortizan todo el capital al vencimiento.
Al momento de su emisin, la tasa de licitacin se expresa en forma
anual compuesta, con base de clculo Actual/360. Una vez en el mercado secundario,
los PDBC son cotizados en su tasa de descuento, la cual es lineal con base Actual/30
das. Esta tasa se cotiza con dos decimales, de acuerdo a la convencin de la Bolsa de
Comercio de Santiago (BCS).
Para calcular el valor en Ch$ de un PDBC se ocupa:
Re
1 *
30
Valor scate
Monto
Plazo
Tasa
=
+
(A.2)
En la Tabla A.5 se presenta una transaccin de PDBC registrada en la
BCS.
141
Tabla A.5 Registro de una Transaccin de PDBC en BCS
FECHA FOLIO NEMO EMISOR MONTO PLAZO TASA TIPO_REAJ VAL_RESC
17/05/2002 70226 PDBC CENTRAL 98.005.586 185 0,33% NR 100.000.000
El monto se calcula utilizando la frmula:
100.000.000
$98.005.586
185
1 0, 0033*
30
Monto = =
+

Cabe destacar que el monto es redondeado al valor entero ms cercano.
b) Pagars Reajustables del Banco Central (PRBC)
Al igual que los PDBC, son bonos de descuento y, al momento de
licitarse, sus tasas se expresan en forma compuesta con base Actual/360. En el
mercado secundario, en cambio se cotizan con tasa lineal con base de clculo
Actual/360.
El principal de un PRBC est denominado en UF, luego, para calcular su
valor en Ch$ se utiliza:
Re
*
1 *
360
Valor scate
Monto UF
Plazo
Tasa
=
+
(A.3)
Hay que sealar que esta valorizacin se realiza en 2 etapas:
Primero se calcula el valor presente en UF del pagar. Este valor se
aproxima al segundo decimal.
Luego este valor se multiplica por el valor de la UF del da, y este
resultado se aproxima al entero ms cercano.
142
Para ejemplificar la valorizacin, en la tabla A.6 se presenta una
transaccin de PRBC registrada en la BCS.
Tabla A.6 Registro de una Transaccin de PRBC en BCS
FECHA FOLIO NEMO EMISOR MONTO PLAZOTASATIPO_REAJ VAL_RESC Valor UF
23/04/2002 70398 PRBC CENTRAL 160.244.047 237 2,00% UF 10.000 16.235,40
En este caso, primero se calcula el monto en UF:
10.000
9870, 04442 9870, 04
237
1 0, 02*
360
UF
Monto UF UF = = =
+

, luego se hace el cambio de unidad:
9870, 04*16.235, 40 160.244.047, 42 $160.244.047 Monto = = =

c) Pagars Reajustables con Cupones (PRC)
Los PRC pagan cupones en forma semestral. Todos los cupones salvo el
ltimo, por ajustes de capitalizacin de inters, tienen igual monto en UF. Los
cupones se componen de una parte de amortizacin, la cual crece con el tiempo, y
una parte de intereses, la cual decrece en el tiempo.
Los PRC se cotizan en TIR, con una tasa de inters compuesta con base
Actual/365. Estos instrumentos son seriados, cada bono tiene un nemotcnico que lo
identifica de la forma PRC-SCmmaa, en el que S representa la serie del Instrumento,
C representa el corte o monto por el cual ha sido emitido y mmaa seala el mes y ao
de emisin. La tabla A.7 muestra las series de PRC emitidas por el BC, mientras la
tabla A.8 muestra los cortes en los que se emitieron los PRC.
143
Tabla A.7 Identificacin de las Series de PRC
Serie Plazo (Aos) Tasa Cupn
1 10 6,50%
2 4 5,00%
3 6 5,00%
4 8 6,50%
5 12 6,50%
6 14 6,50%
7 20 6,50%
Tabla A.8 Valores de Cartula (Cortes) de PRC
CLASE CORTE (UF)
A 500
B 1.000
C 5.000
D 10.000
As un PRC-6D0396, corresponde a un PRC emitido el 01/03/1996 con
plazo de vencimiento de 14 aos y un valor de cartula de UF10.000.
Previo a la valorizacin del PRC, es necesario entender como se
determinan los pagos que entrega el bono.
144
El monto en UF que paga cada cupn se calcula como una anualidad:
( ) 1 1
sem
j
n
sem
VR r
C
r

=

+

(A.4)
, en que r
sem
es la tasa semestral equivalente del cupn y n es el nmero de cupones.
La tasa semestral se calcula a partir de la tasa anual:
( )
1
2
1 1
sem anual
r r = +
(A.5)
Cada cupn tiene una parte de intereses y una de amortizacin, las que se
calculan de la siguiente manera:
( )
360
1
1 1 1...
1... 1
1... 1
d
i i anual
i i i
i i i
I K r i N
A C I i N
K K A i N

= + =

= =
= =
(A.6)
En esta ecuacin, los trminos representan:
K
i
: Capital Insoluto, luego de pagar el cupn i.
A
i
: Amortizacin correspondiente al cupn i.
I
i
: Inters correspondiente en el cupn i.
d: Nmero de das entre el pago del cupn (i-1) y el pago del cupn i.
Para el caso del ltimo cupn, ste recoge todos los efectos de
capitalizacin de intereses, producto de que en un perodo de 6 meses no hay
exactamente 180 das. As, el pago de este cupn es:
1
N N N
N N
C A I
A K

= +
=
(A.7)
145
El Valor presente de un PRC es igual al valor descontado de sus flujos,
es decir, a la suma descontada de sus cupones:
( )
365 1
1
i
N
i
d
i
C
ValorFlujos
TIR
=
=
+
(A.8)
Para calcular el monto a pagar por un PRC, calculamos primero su Valor
Par:
( )
365
1
d
i
ValorPar K TERA = +
(A.9)
, en que:
TERA: Tasa Efectiva Real Anual, es la tasa interna de retorno del
instrumento, calculada a un precio de compra de 100% de su valor par.
d: Nmero de das entre la fecha de clculo y el pago del ltimo cupn.
Para el caso de los PRC, la TERA se calcula de la siguiente manera:
( )
365
360
1 1
anual
TERA r = +
(A.10)
La TERA representa la rentabilidad efectiva en trminos anuales. El
porcentaje sobre el precio se expresa como:
%
Pr Valor esente
ValorPar
P
=
(A.11)
El valor que finalmente se paga por un PRC es igual a:
%
Monto P VFlujos N Unidades UF =
(A.12)
Para ejemplificar, la tabla A.9 muestra una transaccin de PRC en BCS.
146
Tabla A.9 Registro de una Transaccin de PRC en BCS
Fecha Folio Nemotcnico Plazo Cantidad TIR Monto Valor UF
22-feb-02 20356 PRC-7D1001 1908 10.000 4,85% 190.063.618 16.206,34
Esta transaccin corresponde a un PRC a 20 aos, emitido en octubre de
2001, de corte 10.000 UF. El plazo corresponde a 19 aos y 8 meses para el
vencimiento. En la tabla A.10 se presenta parte de la tabla de desarrollo de este PRC.
Tabla A.10 Extracto de la Tabla de Desarrollo del PRC-7D1001
Primero se calcula la TERA del bono:
365
360
(1 0, 065) 1 0, 65931 TERA = + =

Para calcular el valor par del PRC se hace:
( )
144
365
10.000 1 0, 065931 10.255,10 ValorPar = + =

N
CUPN FECHA DAS CUPN INTERS AMORTIZACIN
CAPITAL
INSOLUTO
0 01/10/2001 0 0 0 0 10.000,00
1 01/04/2002 38 446,64 323,49 123,15 9.876,85
2 01/10/2002 221 446,64 321,29 125,35 9.751,50
3 01/04/2003 403 446,64 315,46 131,18 9.620,32
4 01/10/2003 586 446,64 312,95 133,69 9.486,63
..... ..... ..... ..... ..... ..... .....
39 01/04/2021 6.978 446,64 35,65 410,99 690,95
40 01/10/2021 7.161 713,43 22,48 690,95 0,00
147
De la tabla de desarrollo se obtienen los flujos del bono para calcular su
Valor Presente:
( )
( )
39
7161
365
365 1
446, 64 713, 43
1.172.773, 24
1, 0485
1, 0485
i
d
i =
+ =

El precio del bono ser:
%
1.172.773, 24
114, 36
10.255,10
P = =

El monto a pagar ser:
114, 36 10.255,10 16.206, 34/100 190.063.618 Monto = =

d) Bonos del Banco Central en Pesos (BCP)
A diferencia de sus predecesores, los BCP son bonos tipo bullet, es decir,
sus cupones slo representan pagos de inters, y el principal se cancela ntegramente
al vencimiento. La valorizacin de bonos bullet simplifica las cosas, con respecto a
sus antecesores, los bonos con cupones, pues la estructura de los cupones es ms
sencilla.
As, un bono bullet se valoriza de la siguiente manera:
( ) ( )
Re
Re
1 1
T
cupon
i i
i t
tasa Valor scate
Valor scate
Monto
TIR TIR =
= +
+ +
(A.13)
Por ejemplo, un bono bullet, con tasa de cupn 5% anual, con un
principal de $100 y 5 aos plazo, que se transa a una TIR de 4,4% se valorar de la
siguiente manera:
Primero se calcula la tasa semestral equivalente para el cupn y la TIR:
1 1
semestral anual
tasa tasa = +
(A.14)
148
En el caso del presente ejemplo es:
0.02469 1 0.05 1
0.01980 1 0.044 1
= +
= +
Con estas tasas, se calcula el valor del cupn y podemos descontar los
flujos:
2, 47% 100 2, 47 Cupon = =

10
10
1
2, 47 100
102, 6094
1, 0198 1, 0198
i
i
Monto
=
= + =

149
ANEXO B : LGEBRA DE LAS TASAS DE INTERS
En esta seccin se detalla la teora involucrada en el lgebra de las tasas
de inters, utilizada para extraer las relaciones entre stas y los precios de los bonos
observados. De esta manera se explica como es posible obtener la informacin para
estimar estructuras de tasas de inters.
Como ya se explic, el precio en el instante t de un bono de descuento
que vence en T, P(t,T), se relaciona con la tasa spot o tasa de descuento, R(t,T), de
acuerdo a:
( )
( ) ( ) ,
,
R t T T t
P t T
e

=
(B.1)
De esta manera, es posible obtener la tasa de descuento, a partir de:
( )
( )
ln ,
( , )
P t T
R t T
T t
=
(B.2)
La tasa de corto plazo es aquella tasa spot que vence en el instante
inmediatamente siguiente, es decir, la tasa de una inversin instantnea, la cual se
expresa por:
( ) ( )
( ) ln ,
lim ,
T t
P t t
r t R t T
T
= =
(B.3)
Las tasas spot no son la nica manera de representar la estructura de tasas
de inters. Muy utilizadas son las tasas forward, f(t,,T), que representan la tasa
observada en el instante t, para un bono de descuento, emitido en , que vence en T.
Esto es equivalente a tomar un depsito, en el instante t, el cual vence en el instante
T, y adems tomar un prstamo en el instante t, el cual se cancela en el instante .
Esto queda expresado en la siguiente relacin:
( )
( ) ( ) ( ) ( )
( )
( ) ( )
( )
, , ln , ln ,
, ,
T t R t T t R t P t T P t
f t T
T T

= =

(B.4)
150
Cuando el vencimiento del acuerdo forward se acerca a su comienzo, es
decir, y T se igualan, se habla de la tasa forward instantnea:
( ) ( )
( ) ln ,
, lim , ,
T
P t T
f t f t T
T
= =
(B.5)
La tasa forward instantnea puede interpretarse como el ingreso marginal
obtenido si se incrementa en forma marginal el plazo de la inversin. La relacin
entre tasas spot y tasas forward viene del hecho que la tasa spot es igual al promedio
de las tasas forward instantneas con vencimiento entre el instante t y el vencimiento
T:
( )
( )
( )
,
,
T
t
f t s ds
R t T
T t
=
(B.6)
Otra forma de expresar esta relacin es:
( ) ( ) ( )
( ) ,
, ,
R t T
f t T R t T T t
T
= +
(B.7)

De esto puede deducirse que cuando T tiende t, la tasa forward
instantnea, f(t,t) es igual a la tasa spot de corto plazo, r(t). As, el precio de un bono
de descuento tambin puede ser expresado como:
( )
( ) ,
,
T
t
f t s ds
P t T
e
= (B.8)
Lo que relaciona a la estructura de tasas forward, con los precios
observados de los bonos de descuento.
151
Un bono con cupones puede ser interpretado como un portfolio de bonos
de descuento, por lo que la TIR ser producto de descontar los pagos de cupones, C
k
,
a la tasa de retorno del portfolio. Recordando que para el caso de bonos con cupones,
los cuales suelen cotizarse en su TIR, y(t,T), se tiene:
( , )
1
( , )
T t
y t T k
k
k
P t T C e

=
=
(B.9)
Expresar las estructuras de tasas en funcin de las TIR tiene varios
inconvenientes, ya que la TIR es una tasa constante que puede interpretarse como un
promedio de tasas spot. Adems, la TIR depende de la tasa de cupn del bono, pues a
mayor tasa de cupn, se tiende a dar ms importancia a los pagos ms cercanos en el
tiempo, variando la TIR del bono.
Un concepto importante en los bonos, relacionado con la TIR, es su
Duracin, esta es una medida promedio del tiempo en que se materializa la
inversin. Equivale al plazo de un bono cero cupn con igual valor presente. Se
calcula utilizando la siguiente frmula:
( )
( )
,
1
,
T t
y t T k
k
k
k C e
D
P t T

=

=

(B.10)
De la ecuacin (B.9), podemos ver que si derivamos el precio del bono,
con respecto a su TIR se obtiene:
( )
( ) ,
1
,
T t
y t T k
k
k
P t T
k C e
y

(B.11)
, utilizando (B.10), se deduce que:
( ) ,
( , )
P t T
D P t T
y
(B.12)
152
Reordenando y discretizando, se tiene:
( )
( )
,
,
P t T
D y
P t T
= (B.13)
Es decir, los cambios en el retorno entregado por el bono sern
proporcionales por su duracin al cambio en la TIR del bono.
153
ANEXO C: NOCIONES ELEMENTALES DE CLCULO
ESTOCSTICO
Esta seccin expone conceptos de clculo estocstico, necesarios para
comprender la teora de los modelos de difusin de tasas de inters presentados en
esta tesis, y para su utilizacin en la valoracin neutral al riesgo de derivados.
C.1 Procesos Continuos, Caminata Aleatoria y Movimiento Browniano
Un proceso aleatorio es una secuencia de eventos en el tiempo, en que se
desconoce cul ser el prximo evento en ocurrir, pero se conocen aquellos eventos
factibles y las probabilidades de que stos se realicen. Una medida de probabilidad es
un conjunto de probabilidades, asociadas biunvocamente a cada evento con alguna
oportunidad de ocurrir en un futuro. As, una medida P, asigna una probabilidad a
cada valor que podra tomar una variable aleatoria que sigue un cierto proceso.
Un proceso continuo es la secuencia de valores que toma una variable,
que cumple con las condiciones de ser capaz de cambiar su valor en todo instante y
ser capaz de alcanzar cualquier valor posible, a travs de repetidos cambios en su
nivel, por muy pequeos que stos sean. En otras palabras, no realiza saltos
discretos. Un tipo de proceso continuo es la caminata aleatoria, que sigue un proceso
estocstico, en el que en cada instante de tiempo el valor de la variable aumentar o
reducir su valor en una cantidad dependiente del diferencial de tiempo considerado.
Especficamente, si W
n
(t), es una variable que sigue una caminata
aleatoria, para un entero positivo n que representa el nmero de intervalos contenidos
en una unidad de tiempo; entonces, el valor del proceso W
n
(t) en el siguiente instante
de tiempo aumentar o disminuir, con probabilidades iguales, en 1 n . Si X
i
es una
variable aleatoria binomial, que puede tomar valores de 1 1 con idntica
probabilidad, e igual a 0.5, entonces la caminata aleatoria W
n
(t) queda definida por:
( )
1
n t
i
i
n
X
W t
n
=
| |
|
| =
|
|
\ .
(C.1)
154
De (C.1) se aprecia que el valor esperado del proceso es cero y,
utilizando el teorema del lmite central, se deduce que W
n
(t) converge a una
distribucin normal N(0,t). Adems, el siguiente paso de la caminata aleatoria es
independiente del valor del proceso, o de su trayectoria, es decir, posee incrementos
independientes. Procesos, como la caminata aleatoria, que cumplen con ciertas
condiciones, son denominados Movimientos Brownianos. W
t
, para 0 t , es un
movimiento browniano bajo una medida de probabilidad P, si cumple con:
i) W
t
es continuo, y W
0
=0
ii) W
t
~N(0,t) bajo la medida de probabilidad P.
iii) W
s+t
-W
s
~N(0,t), independiente de los eventos ocurridos previos a s.
La figura C.1 muestra la simulacin de un movimiento browniano,
generado por variables aleatorias binomiales, con 10.000 intervalos de tiempo.
Figura C.1: Simulacin de un Movimiento Browniano con 10.000 intervalos
por unidad de tiempo, generado a partir de una caminata aleatoria.
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Intervalo
W
n
155
C.2 Procesos Estocsticos
Un proceso se dice previsible, si el evento que ocurre en un instante de
tiempo t, depende slo del evento que ocurri en el instante anterior, (t-1).
Una variable X, se dice que sigue un proceso estocstico, si sigue un
proceso continuo en el tiempo, compuesto por un componente aleatorio, funcin de
un movimiento browniano, y un componente determinstico, funcin del tiempo. El
proceso para X
t
puede ser escrito como:
0
0 0
t t
t s s s
X X dW ds = + +

(C.2)
, en que y son procesos previsibles, tal que
( )
2
0
t
s s
+
es finito para todo t. El

proceso puede ser escrito en su forma diferencial:
t t t t
dX dW dt = + (C.3)
Obviamente y pueden ser, a su vez, funciones del tiempo, del nivel
de la variable, etc., y el proceso puede tomar formas funcionales ms complicadas,
para ello ser de gran utilidad el lema de It, que se analiza en la siguiente seccin.
C.3 Lema de It
Cuando se realizan expansiones en series de potencias para variables,
bajo las reglas del clculo diferencial, se suele eliminar los trminos diferenciales de
segundo o mayor orden, pues en relacin a sus pares de primer orden, son
despreciables. Sin embargo, al trabajarse con variables que siguen procesos
estocsticos, hay que tratar con diferenciales brownianos, dnde no todos los
trminos de segundo orden son despreciables. Esto se resume en el lema de It.
Sea X, una variable que sigue un proceso estocstico caracterizado por la
ecuacin:
dx dt dW = + (C.4)
156
Sea F(x,t) una funcin determinstica de X en el tiempo, continua y dos
veces diferenciable. La expansin en series de Taylor para F es:
2 2 2
2 2
2 2
1 1
...
2 2
F F F F F
F x t x x t t
x t x x t t

= + + + + +

(C.5)
La ecuacin (C.4) puede ser discretizada:
x t t = + (C.6)
, donde proviene de un muestreo aleatorio de una distribucin N(0,1). Si
examinamos el diferencial de segundo orden, x
2
:
2 2 2
x t = (C.7)
De la distribucin normal estandarizada, se sabe que:
| | ( )
| |
2
2
1
0
E E
E
( =

=
(C.8)
Por lo que el trmino del diferencial x
2
contiene un trmino de primer
orden t. Si adems consideramos que la varianza de
2
t es de orden t
2
, es
posible tratar este diferencial como determinstico. As el diferencial de F queda de
la siguiente manera:
2
2
2
1
2
F F F
dF dx dt dt
x t x

= + +

(C.9)
Si se reemplaza dx, utilizando la ecuacin (C.4), y se reordenan los
trminos se obtiene:
2
2
2
1
2
F F F F
dF dt dW
x t x x

| |
= + + +
|

\ .
(C.10)
, que es la conocida frmula de It, la cual puede ser utilizada para encontrar las
ecuaciones diferenciales estocsticas que caracterizan a un proceso estocstico.
157
C.4 Precio de Mercado del Riesgo
Se define como precio de mercado del riesgo al exceso de retorno, por
sobre la tasa libre riesgo, por unidad de riesgo que se le exige a un activo que acarrea
incertidumbre. Se representa por y da una medida del trade-off entre el riesgo y el
retorno de un activo. Por arbitraje, todos los activos que dependan de la misma
fuente de incertidumbre deben tener igual precio de mercado del riesgo.
Si consideramos el precio de un derivado F=F(X), en que X sigue un
proceso estocstico como el de la ecuacin (C.10), entonces, el precio de mercado
del riesgo, , queda representado por:
F
F
r r

= = (C.11)
El proceso que siguen los retornos de F puede obtenerse aplicando el
lema de It, y queda definido por:
2
2 2
2
1
2
F F
F
F
dF
dt dW
F
F F F
F X X
X t X
F
F X
X

= +

= + +

(C.12)
Reemplazando en la ecuacin (C.11), se obtiene el proceso ajustado por
riesgo que sigue el precio del derivado:
( )
2
2 2
2
1
2
F F F
rF X X
X t X

= + +

(C.13)
158
ANEXO D: DEDUCCIN DEL PROCESO DINMICO DE TASAS
DE INTERS DEL TIPO COX-INGERSOLL-ROSS
En esta seccin se desarrolla la deduccin analtica de los procesos
estocsticos involucrados en la modelacin de la dinmica de las tasas de inters, con
especial atencin al desarrollo del modelo multifactorial de Cox, Ingersoll y Ross.
D.1 Modelos Afines de Estructuras de Tasas de Inters
Bajo la valorizacin neutral al riesgo y en ausencia de oportunidades de
arbitraje, el precio en el instante t de un bono de descuento, P(t,T), que vence en T,
puede ser calculado de:
( )
( )
,
T
t
r s ds Q
t
P t T
e E

(
=
(
(

(D.1)
Un modelo afn de tasas de inters supone que la tasa de corto plazo, r(t),
est determinada por una funcin lineal de K factores estocsticos inobservables, X
i
,
cuyos ponderadores,
i
, pueden tomar valores de cero o uno:
( ) ( ) ( )
0 0
1
K
T
x i i
i
r t X t X t
=
= + = +
(D.2)
, y cada factor sigue una difusin afn, caracterizada por la ecuacin diferencial:
( ) ( ) ( ) ( ) ( ) dX t X t dt S t dW t = + (D.3)
, W(t) es un vector de K movimientos brownianos independientes, y son
matrices de x K, las cuales pueden no ser diagonales ni simtricas, es un vector
de K parmetros y S(t) es una matriz diagonal, cuyo i-simo elemento diagonal est
dado por:
( ) ( )
T
i i
ii
S t X t = + (

(D.4)
159
Asumiendo que el precio de mercado del riesgo es de la forma:
( ) ( ) t S t = (D.5)
con , un vector de K constantes. El proceso bajo la medida de probabilidad ajustada
por riesgo, Q, tiene la forma:
( ) ( ) ( ) ( )
( )
( )
1
dX t X t dt S t dW t
= +
= +
=
(D.6)
, en que es una matriz de K x K, cuya i-sima fila est dada por
i
i
T
, y es un
vector, tal que
=
i
i
.
Como se seala en Duffie y Kan (1995), puede demostrarse que una
funcin es afn si el drift y la varianza de sus factores de riesgo son afines. El precio
de un bono de descuento puede ser representado por la parametrizacin:
( )
( ) ( ) ( )
( )
( ) ( )
0 1
,
T T
A T t A T t X t T t X t
P t T T t
e e

= = (D.7)
D.2 Modelo de Cox, Ingersoll y Ross de un Factor
Sea un movimiento browniano n-dimensional (W
1
, W
2
, ..., W
n
), y sean X
i
,
con i=1,...,n; factores estocsticos de la economa de los cuales depende el retorno en
la produccin fsica, y que siguen un proceso de Ornstein-Uhlenbeck caracterizado
por:
( ) ( ) ( )
1 1
2 2
i i i
dY t Y t dt dW t = + (D.8)
160
Los factores y
i
siguen una distribucin normal, con parmetros:
( ) ( )
( ) ( )
1
2
2
0
1
4
t
t
E y t e y
V y t e
= (

= (

(D.9)
Se quiere garantizar que r = f{y(t)}, nunca produzca tasas negativas. Si se
considera la siguiente funcin de los factores de la economa:
( )
2 2 2
1 2 1 2
, ,..., ...
n n
f y y y y y y = + + + (D.10)
, con esto se garantiza que r(t) nunca ser negativa. Aplicando el lema de It se
obtiene:
( ) ( )
2
2
2
1 1
1
2
n n
i i
i i
i i
r r
dr t dy dy
y y
= =

= +

(D.11)
, desarrollando esta ecuacin se tiene:
( ) ( ) ( )
2
2
1 1
1 1 1
2
2 2 4
n n
i i i i
i i
y y dt dW t dW t
= =
| |
= + +
|
\ .

( )
( ) ( )
( )
( )
( )
2
1
2
1
4
4
n
i i
i
n
i
i
i
n
r t dt y dW dt
y t
n
r t dt r t dW t
r t

=
=
= + +
| |
= +
|
\ .
(D.12)

, definiendo:
( )
( )
( )
( )
1
0
t
n
i
i
i
y s
W t dW s
r s =
=
(D.13)
161
luego, W es una martingala, pues:
( )
1
2
2
1
i
n
i
i
i
n
i
y
dW dW
r
y
dW dt dt
r
=
=
=
= =
(D.14)
entonces, W es un movimiento browniano, por lo que la ecuacin (D.12) puede
escribirse como:
( ) ( ) ( ) ( )
2
4
n
dr t r t dt r t dW t

| |
= +
|
\ .
(D.15)
, que es la ecuacin presentada por CIR, en su forma:
( ) ( ) ( ) ( ) ( ) dr t r t dt r t dW t = + (D.16)
Los cambios en la tasa de inters siguen una distribucin chi-cuadrada
desplazada, con media y varianza dados por:
( ) ( ) ( )
( ) ( )
( )
( ) ( ) ( )
( ) ( )
( )
( )
( )
2 2
2
2
1
1
2
s t s t
s t s t s t
E r s r t r t e e
V r s r t r t e e e

( = +

| | | |
( = +
| |

\ . \ .
(D.17)
Para encontrar el proceso que sigue el precio de un bono de descuento,
que paga una unidad a su vencimiento, en el instante T, se vuelve a aplicar el lema de
It:
2 2
2
2
P P r P
dP dr dt dt
r t r

= + +

(D.18)
162
Reemplazando dr, dividiendo por dt y tomando esperanza obtenemos el
drift del proceso:
( )
2 2
2
2
dP P P r P
E r
dt r t r

(
= + +
(

(D.19)
Por otro lado, el retorno instantneo en un bono, posee la siguiente
ecuacin diferencial:
( ) ( ) , , , ,
P P
dP
r t T dt r t T dW
P
= + (D.20)
Como sealan Gibbons y Ramaswamy (1993), el retorno instantneo
esperado de un bono en el modelo de CIR debe cumplir, bajo la medida de
probabilidad ajustada por riesgo con:
( ) , ,
P
r P
r t T r
P r

= +
(D.21)
, en que el es el precio de mercado del riesgo. Igualando drifts, se llega a la ecuacin
diferencial que debe satisfacer el precio del bono:
( )
2
2
2
1
0
2
P P P P
r r r rP
r r t r

+ + =

(D.22)
, con condicin de borde ( ) , , 1 P r T T = . La solucin de esta ecuacin es del tipo:
( ) ( )
( ) ,
, , ,
B t T r
P r t T A t T e

= (D.23)
163
En la ecuacin anterior, A(t,T) y B(t,T) representan:
( )
( )( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
2
2
1
2
2
2
2
,
2 1
2 1
,
2 1
2
T t
T t
T t
T t
e
A t T
e
e
B t T
e

+ +
(
(
=
(
+ + +
(

=
+ + +
= + +
(D.24)
Esto significa que el precio del bono es una funcin convexa decreciente
de la tasa de inters promedio de largo plazo, . Adems, es funcin cncava
creciente (convexa decreciente) del parmetro de velocidad de ajuste , si la tasa de
inters es mayor (menor) que . El precio del bono es una funcin creciente del
precio de mercado del riesgo, , y una funcin cncava creciente de la varianza de
las tasas de inters
2
.
D.3 Modelo de Cox, Ingersoll y Ross Multifactorial
Sean x
i
, para i = 1,...,K; las variables de estado de las cuales depende la
tasa de inters de corto plazo, de acuerdo a:
( )
1 2
1
...
K
K i
i
r t x x x x
=
= + + + =
(D.25)
, donde cada una de ellas sigue un proceso de difusin de raz cuadrada:
( ) ( ) ( ) ( ) ( )
i i
i i i i i i i x x i
dx t x t dt x t dW t dt dW = + = + (D.26)
Para encontrar el proceso que sigue la tasa de inters, se aplica el lema
de It:
( )
2
2
2
1 1 1
1
2
i i i
K K K
x x x i
i i i
i i i
r r r r
dr t dt dW
x t x x

= = =
| |
= + + +
|

\ .

(D.27)
164
Calculando las derivadas parciales presentes en la ecuacin:
2
2
1 1,...,
0 1,...,
i
i
r
i K
x
r
i K
x
= =
= =
(D.28)
, al reemplazar en la ecuacin (D.27) se obtiene:
( )
1 1
i i
K K
x x i
i i
dr t dt dW
= =
= +

(D.29)
Utilizando la representacin de la ecuacin (D.26) se llega a:
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( )
1 1
1
1
K K
i i x i i i
i i
K
i i x i i i
i
K
i
i
dr t x t dt x t dW
x t dt x t dW
dr t dx t

= =
=
=
= +
( = +

=

(D.30)
Para encontrar el proceso que sigue el precio de un bono de descuento,
P(r,t,T), considerando que ste es funcin de la tasa de corto plazo, se vuelve a
utilizar el lema de It:
( )
2
2
2
1
2
P P P
dP dr dt dr
r t r

= + +

(D.31)
, desarrollando en funcin de las variables de estado:
( )
2
2
1 1 1
2
1 1 1
1
2
1
2
K K K
j
i i
i i j
i i j
K K K
i i j
i i j
i i j
x
x x P P P
dP dr dt dr
x r t x x r r
P P P
dP dx dt dx dx
x t x x
= = =
= = =

= + +

= + +

(D.32)
165
Reemplazando con la ecuacin (D.26)
( ) ( )
( ) ( ) ( ) ( )
1
2
1 1
1
2
K
i i i i i i
i
i
K K
i i i i i i j j j j j j
i j
i j
P P
dP x dt x t dW dt
x t
P
x dt x t dW x dt x t dW
x x

=
= =

= + +

+ + +

(

( (

(D.33)
, desarrollando las expresiones entre parntesis:
( ) ( )
( )( ) ( ) ( )
( ) ( ) ( ) ( )
1 1
2
2
1 1
1
2
K K
i i i i i i
i i
i i
K K
i j i i j j j j j i i i
i j
i j
j j j i i j i j i j i j
P P P
dP x dt x t dW dt
x x t
P
x x dt x x t dtdW
x x
x x t dtdW x t x t dWdW

= =
= =

= + +

+ +

(
+ +

(D.34)
, despreciando los trminos diferenciales del tiempo de orden superior a uno y
reconociendo que (dW)
2
= dt:
( ) ( )
( ) ( )
1 1
2
1 1
1
2
K K
i i i i i i
i i
i i
K K
i j i j
i j
i j
P P P
dP x dt x t dW dt
x x t
P
x t x t dt
x x

= =
= =

= + +

(D.35)
Agrupando trminos similares se obtiene la ecuacin diferencial para el
proceso que sigue el precio de un bono:
( ) ( ) ( ) ( )
2
1 1 1 1
1
2
K K K K
i i i i j i j i i i
i i j i
i i j i
P P P P
dP x x t x t dt x t dW
x t x x x

= = = =

= + + +

(
(

(D.36)
166
D.4 Modelo de Cox, Ingersoll y Ross Multifactorial con correlaciones
distintas de Cero
Como presentan de Jong (1999) y, Dai y Singleton (2000), el supuesto
de correlacin cero entre las variables de estado puede ser relajado. La tasa de corto
plazo en la generalizacin afn del modelo de CIR se representa por:
( ) ( ) ( )
0 0
1
K
T
x i i
i
r t X t X t
=
= + = +
(D.37)
, donde cada factor que la compone sigue un proceso de difusin independiente del
tipo raz cuadrada (CIR, 1985):
( ) ( ) ( ) ( ) ( ) dX t X t dt S t dW t = + (D.38)
, en que W(t) es un vector de K movimientos brownianos independientes, y son
matrices de dimensin K x K, es un vector de K parmetros y S(t) es una matriz
diagonal, cuyo i-simo elemento diagonal est dado por:
( ) ( )
T
i i
ii
S t X t = + (

(D.39)
Para estimar un proceso con variables de estado correlacionadas basta
con hacer:
0
j
para j i (D.40)
en la i-sima fila de la matriz S(t).
167
Para caracterizar los instrumentos dependientes de la tasa de inters, se
comienza por encontrar el proceso ajustado por riesgo:
( ) ( ) ( ) ( ) ( ) dX t X t dt S t dW t = +

(D.41)
, ( ) W t
es un vector de K movimientos brownianos independientes bajo la medida de

probabilidad neutral al riesgo, la relacin con los parmetros del proceso real es:
i i i
i i i

=
+
=
=
=

(D.42)
Haciendo = (T-t), el precio de un bono de descuento puede expresarse
como:
( )
( ) ( ) ( )
,
A B X t
P t e

= (D.43)
, en que A() y B() deben satisfacer el sistema de ecuaciones diferenciales
ordinarias:
( ) ( )
( )
( ) ( )
2
0
1
2
1
( ) 1
2
1
2
k
i
i
i
k
i x
i
i
dA
B B
d
dB
B B
d
=
=
= + (

= + (

(D.44)
para las cuales no existe solucin analtica conocida, si las variables de
estado se consideran correlacionadas, por lo que deben ser resueltas mediante
mtodos de integracin numrica.
168
ANEXO E: ESTIMACIN DE PARMETROS Y VARIABLES DE
ESTADO MEDIANTE EL FILTRO DE KALMAN
En esta seccin se explica la forma en que se utiliza el filtro de Kalman
para estimar los parmetros y variables de estado de un modelo dinmico
multifactorial de tasas de inters de Cox, Ingersoll y Ross, a travs de la
maximizacin de la funcin de verosimilitud.
E.1 Estimacin de Variables de Estado mediante el Filtro de Kalman
Como ya se explic en el captulo V de este trabajo, el filtro de Kalman
busca el vector de variables de estado x , tal que este minimice el error cuadrtico
medio de estimacin.
Anteriormente se defini el espacio de estados:
1
t t t t t
t t t t t
R Z x d v
x x
= + +
= + +
(E.1)
, el cual representa al sistema en observacin, en el instante t. Los vectores v
t
y
t

contienen a los errores de la ecuacin de medicin y transicin, respectivamente, y
ambos se suponen normalmente distribuidos:
( ) ( )
( ) 0,
0,
t t
t t
N Q
v N H
(E.2)
El resto de los parmetros que componen la representacin en el espacio
de estados se describen en la seccin 6.2.2 de esta tesis y dependen, a su vez, del
modelo subyacente a estimar.
La estimacin de dichos parmetros se realiza en un proceso aparte, por
lo que la estimacin de las variables de es condicional en el valor de dichos
parmetros.
169
Previo a la aparicin del nuevo vector de observaciones R
(t+1)
, el filtro es
capaz de realizar una proyeccin lineal, del estado ms probable a ocurrir, para el
vector de variables x
(t+1)
, de acuerdo a la informacin recogida hasta t, la cual se
encuentra contenida en x
t
. Esto se realiza por medio de la ecuacin de prediccin:
1 1 1
t t t t t
x x
+ + +
= + (E.3)
,
(t+1)
y
(t+1)
son dependientes de los parmetros del modelo a estimar. La varianza
de esta prediccin est dada por:
1 1 1 1 t t t t t t
V
+ + + +
= + (E.4)
Con la proyeccin del vector de variables no observables, se realiza una
prediccin del vector de variables observables:
1 1 1 1
t t t t t t
R Z x d
+ + + +
= + (E.5)
Al llegar el instante (t+1), estar disponible el nuevo vector de
observaciones, con el cual se calcula el error de prediccin:
1 1 1
t t t t
R R
+ + +
= (E.6)
, de esta manera es posible mejorar la estimacin del vector de variables de estado y
de su varianza, utilizando la ganancia de Kalman
1
:
( )
( )
1 1 1 1 1
1 1 1 1
t t t t t t t
t t t t t
x x K R R
I K Z
+ + + + +
+ + + +
= +
=
(E.7)
La figura E.1 muestra como se desarrolla el proceso recursivo del filtro
de Kalman, para la estimacin de las variables no observables de un sistema..

1
En la ecuacin (5.20), seccin 5.2.3 se define la matriz de ganancia de Kalman.
170
Figura E.1: Diagrama del algoritmo recursivo de prediccin y correccin, para
la estimacin de variables de estado, del Filtro de Kalman.
E.2 Estimacin de Parmetros a travs de la Funcin de Verosimilitud
Como se mencion en el captulo V, el filtro de Kalman permite calcular
la funcin de verosimilitud de un conjunto de parmetros, para un modelo expresado
en forma del espacio de estados.:
( )
( )
1
1
1
log log
2
T
t t t t
t
L F F
=

= + (

(E.8)

Actualizacin Temporal (Prediccin) Actualizacin de Medida (Correccin)
Proyeccin de la Variable de Estado:
1 1 1
t t t t t
x x
+ + +
= +

Proyeccin de la Varianza:
1 1 1 1 t t t t t t
V
+ + + +
= +

Estimacin del Vector de Observaciones:
1 1 1 1
t t t t t t
R Z x d
+ + + +
= +
Clculo del Error de Prediccin:
1 1 1
t t t t
R R
+ + +
=
Clculo de la Ganancia de Kalman:
( )
1
1 1 1 1 1 1 1 t t t t t t t t t
K Z Z Z H

+ + + + + + +

= +
Actualizacin de la Prediccin:
1 1 1 1

t t t t t
x x K
+ + + +
= +
Actualizacin de la Varianza:
( )
1 t t t t t
I K Z

=
Aparece R
(t+1)

Estimacin Inicial para x y
171
Maximizando esta funcin, se encuentran los parmetros que mejor
explican el comportamiento del modelo observado. Esta funcin, ser condicional en
el valor de las variables de estado estimadas mediante el filtro de Kalman.
Luego, el filtro de Kalman no estima directamente los parmetros del
modelo subyacente, pero s permite evaluar la funcin de verosimilitud y estimar el
las variables de estado, ambos pasos necesarios para realizar la citada estimacin.
Figura E.2: Diagrama del algoritmo de estimacin de parmetros,
maximizando la funcin de utilidad entregada por el filtro de Kalman.

Estimacin de Parmetros
1. Clculo de la Funcin de Verosimilitud:
( )
( )
1
1
1
log log
2
T
t t t t
t
L F F
=

= + (

2. Maximizacin de la Funcin de Verosimilitud
( ) max L
Estimacin de Variables (Filtro de Kalman)
1. Etapa de Prediccin:
Proyeccin del Estado y su Varianza

2. Etapa de Correccin
Actualizacin de las Proyecciones
172
E.3 Estimacin de Parmetros y Variables de Estado para un Modelo de
Cox, Ingersoll y Ross Multifactorial
Sean x
i
, para i = 1,...,K; las variables de estado de las cuales depende la
tasa de inters de corto plazo, de acuerdo a:
( )
1 2
1
...
K
K i
i
r t x x x x
=
= + + + =
(E.9)
, donde cada una de ellas sigue un proceso de difusin de raz cuadrada:
( ) ( ) ( ) ( ) ( )
i i i i i i i
dx t x t dt x t dW t = + (E.10)
Cox, Ingersoll y Ross (CIR,1985), y posteriormente Chen y Scott (2002)
demostraron que el precio de un bono de descuento se representa por:
( ) ( ) ( )
( ) ( )
1 1
, ,
1 1
,..., , , , ,
K K
B t T x B t T x
K K
P x x t T A t T A t T e

= (E.11)
en que A
i
(t,T) y B
i
(t,T) representan:
( )
( )( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
2
2
1
2
2
2
2
,
2 1
2 1
,
2 1
2
i i
i
i i i
i
i
i
T t
i
i
T t
i i i i
T t
i
T t
i i i i
i i i i
e
A t T
e
e
B t T
e

+ +
(
(
=
(
+ + +
(

=
+ + +
= + +

Utilizando la ecuacin que relaciona precios y tasa de descuento:
( ) ( )
,
1 1
, ln ,
ln ( , )
( , )
K K
i i t i
i i
B t T x A t T
P t T
R t T
T t T t
= =

= =

(E.12)
173
Rescribiendo en forma matricial:
( , ) ( , , ) ( , , ) ( ) R t T C t T D t T X t = + (E.13)
, en que:
( )
1
ln ( , , )
( , , )
, ,
( , , )
K
i
i
i
A t T
C t T
T t
B t T
D t T
T t
(E.14)
La ecuacin (E.13) representa a la ecuacin de medicin para el modelo
CIR. La ecuacin de transicin proviene del proceso estocstico, y de acuerdo a
Chen y Scott (2002), Geyer y Pichler (1998), y otros, puede escribirse como:
( ) ( )
1 1
t t t t t t
x x

= + + (E.15)
, en que en cada instante de tiempo, cada componente del vector y cada elemento
de la diagonal de la matriz son:

( ) ( )
( )
1
i
i
t
i i
t
e
e

=
=
(E.16)
Se asume que los elementos fuera de la diagonal de son cero. El error
de la ecuacin de transicin se asume normalmente distribuido, con media cero y
matriz de varianza-covarianza diagonal
2
. Los elementos de la diagonal representan:
( )
2
,( 1)
1
1
2
i
i i
t
t t
i
i i i t
i
e
q e e x
| |
| |
= +
| |
\ .
\ .
(E.17)

2
Los errores de medicin y transicin se asumen independientes e idnticamente distribuidos para
cada factor, y no correlacionados con los otros tipos de errores.
174
Para estimar un modelo del tipo CIR multifactorial, se busca el vector de
parmetros:
( )
1 1 1 1 1
,..., , ,..., , ,..., , ,..., , ,...,
K K K K m
h h = (E.18)
que maximice la funcin de verosimilitud. Los parmetros , , y
corresponden a la velocidad de reversin, volatilidad, media de largo plazo y precio
de mercado del riesgo, para cada factor estocstico que sigue un proceso como el
descrito por la ecuacin (E.10). Los parmetros h corresponden a errores de
medicin
3
y dependen de la muestra de datos.
En total, para calibrar un modelo CIR multifactorial, es necesario estimar
(4 x K + m) parmetros.

3
El nmero de parmetros de errores de medicin a observar, m, es de 4 en los modelos de tasas
reales y 7 en los modelos de tasas nominales. Para mayores detalles, ver Anexo H.
175
ANEXO F: PANELES DE DATOS DE INSTRUMENTOS DEL BANCO
CENTRAL DE CHILE UTILIZADOS PARA ESTIMAR
ESTRUCTURAS DE TASAS DE INTERS
En esta seccin se describen con mayor detalle los datos utilizados en
esta tesis para estimar estructuras de tasas de inters (ETI) para el mercado chileno.
F.1 Panel de Transacciones de Instrumentos del Banco Central de Chile
ligados a las Tasas Nominales de Inters
F.1.1 Panel para estimacin de ETI mediante Modelos Estticos
Para la estimacin de ETI fueron utilizadas las transacciones de PDBC
entre el 02 de enero de 2001 y el 30 de diciembre de 2002. En la tabla F.1 se muestra
una caracterizacin de la muestra utilizada. En la tabla se han omitido aquellos
plazos que no presentaron transacciones en el perodo sealado.
Tabla F.1: Presencia en la Muestra, Tasa Promedio y Desviacin
Estndar de Tasa de los PDBC a distintos plazos utilizados en la estimacin de ETI.
Plazo
(Das)
Presencia
Burstil
Tasa
Promedio
Volatilidad
Tasa
1 36,97% 7,297% 8,699%
2 11,97% 4,674% 2,879%
3 26,28% 4,682% 4,322%
4 35,04% 4,579% 2,284%
5 23,93% 4,991% 2,196%
6 26,92% 5,030% 2,083%
7 31,41% 4,839% 2,198%
8 20,09% 4,706% 2,099%
9 7,48% 4,231% 2,071%
10 19,44% 4,895% 2,018%
11 25,21% 5,087% 2,054%
12 22,44% 5,170% 2,104%
13 20,51% 4,915% 2,301%
14 22,22% 4,750% 1,911%
15 16,03% 4,679% 2,070%
16 8,12% 4,675% 2,112%
17 14,10% 4,813% 2,018%
18 23,29% 5,111% 2,019%
19 15,17% 5,074% 1,995%
20 15,38% 5,084% 2,063%
Plazo
(Das)
Presencia
Burstil
Tasa
Promedio
Volatilidad
Tasa
21 22,65% 4,965% 2,143%
22 13,46% 4,877% 2,127%
23 5,34% 4,877% 1,430%
24 12,82% 4,586% 1,803%
25 16,67% 4,345% 1,810%
26 13,89% 4,708% 1,889%
27 15,38% 4,872% 2,039%
28 17,95% 4,207% 1,895%
29 11,75% 4,629% 2,003%
30 6,20% 4,217% 1,560%
31 10,68% 4,483% 1,828%
32 15,38% 4,553% 2,023%
33 8,55% 4,942% 2,362%
34 8,55% 4,470% 1,770%
35 13,46% 4,466% 1,570%
36 9,40% 4,456% 1,933%
37 4,27% 4,531% 1,586%
38 8,33% 4,626% 2,128%
39 11,32% 4,626% 2,081%
40 7,48% 4,802% 2,009%
176
Plazo
(Das)
Presencia
Burstil
Tasa
Promedio
Volatilidad
Tasa
41 7,48% 4,282% 1,960%
42 11,32% 4,277% 1,646%
43 10,26% 4,641% 1,899%
44 4,27% 4,007% 1,503%
45 5,77% 3,995% 1,440%
46 9,19% 4,438% 1,889%
47 7,26% 4,272% 1,566%
48 5,77% 4,484% 2,222%
49 9,40% 4,487% 1,734%
50 6,84% 3,989% 1,692%
51 3,63% 3,751% 1,762%
52 4,70% 3,869% 1,688%
53 8,12% 4,572% 1,975%
54 4,91% 5,277% 2,280%
55 5,13% 4,643% 2,030%
56 6,62% 4,408% 1,705%
57 6,41% 3,836% 1,643%
58 4,06% 4,225% 1,917%
59 4,06% 3,962% 1,562%
60 5,77% 4,228% 1,777%
61 3,42% 5,050% 2,337%
62 2,99% 4,307% 2,343%
63 6,84% 4,517% 1,795%
64 4,06% 4,200% 1,798%
65 2,35% 3,653% 1,472%
66 2,56% 4,309% 1,984%
67 4,27% 5,035% 1,875%
68 2,99% 4,964% 2,048%
69 3,21% 4,948% 1,756%
70 5,77% 4,535% 1,539%
71 2,99% 5,382% 2,127%
72 0,43% 3,456% 0,598%
73 3,21% 5,314% 2,105%
74 5,56% 4,557% 1,563%
75 2,99% 5,427% 2,085%
76 2,35% 4,836% 2,095%
77 4,91% 5,327% 1,770%
78 3,85% 4,749% 2,023%
79 0,85% 4,896% 2,481%
80 3,21% 5,158% 2,216%
81 5,13% 5,202% 2,012%
82 3,63% 5,227% 2,028%
83 3,63% 4,665% 1,803%
84 4,49% 5,276% 1,684%
85 3,63% 4,975% 1,888%
86 2,56% 4,401% 1,980%
87 2,78% 4,338% 1,745%
88 4,70% 5,178% 1,792%
89 3,63% 4,871% 2,083%
90 1,50% 5,263% 1,930%
Plazo
(Das)
Presencia
Burstil
Tasa
Promedio
Volatilidad
Tasa
91 2,14% 5,983% 1,464%
92 0,64% 5,845% 0,925%
94 1,71% 5,748% 1,646%
95 1,50% 4,440% 1,155%
96 0,43% 4,209% 0,376%
97 1,92% 6,638% 1,234%
98 3,42% 5,633% 1,777%
99 0,64% 6,511% 1,022%
101 1,28% 5,231% 1,560%
102 1,28% 5,682% 1,153%
103 1,50% 6,235% 1,117%
104 1,92% 5,479% 1,243%
105 1,07% 4,974% 1,649%
108 0,64% 5,227% 2,023%
109 1,50% 5,778% 1,474%
110 1,07% 6,577% 0,662%
111 1,28% 6,330% 1,473%
112 1,28% 6,396% 1,821%
113 0,64% 5,209% 0,749%
114 0,43% 7,395% 1,261%
115 1,07% 5,467% 1,372%
116 1,28% 5,902% 1,621%
117 1,71% 6,692% 1,087%
118 2,14% 5,737% 1,260%
119 1,07% 5,078% 1,712%
120 0,43% 6,857% 0,336%
122 1,07% 6,116% 1,178%
123 0,43% 6,945% 1,049%
124 0,85% 6,289% 0,633%
125 2,35% 5,216% 1,536%
126 0,85% 7,285% 0,952%
129 1,50% 6,272% 1,260%
130 0,64% 5,598% 1,580%
131 2,14% 6,639% 1,187%
132 1,50% 6,575% 1,418%
133 1,28% 6,461% 1,442%
134 0,43% 6,807% 0,445%
136 0,43% 6,805% 1,064%
137 1,71% 6,013% 0,964%
138 1,07% 6,793% 1,774%
139 1,71% 6,428% 1,104%
140 2,14% 5,986% 1,535%
143 1,07% 5,366% 1,215%
144 1,07% 7,216% 0,768%
145 1,92% 6,526% 1,171%
146 1,50% 6,225% 1,846%
148 0,43% 5,532% 1,514%
150 1,07% 5,196% 1,604%
151 1,28% 5,241% 1,422%
152 0,85% 6,301% 1,302%
177
Plazo
(Das)
Presencia
Burstil
Tasa
Promedio
Volatilidad
Tasa
153 2,35% 6,126% 1,386%
154 2,56% 5,716% 1,477%
155 0,85% 6,508% 1,079%
157 0,64% 6,833% 0,774%
158 1,50% 6,038% 1,200%
159 1,50% 6,260% 1,021%
160 1,92% 6,413% 1,365%
161 2,14% 6,685% 1,407%
162 1,28% 6,117% 1,872%
163 0,64% 7,301% 0,236%
164 1,28% 6,668% 1,494%
165 1,28% 6,497% 1,603%
166 1,50% 6,187% 2,032%
167 1,92% 6,523% 1,723%
168 1,50% 6,546% 1,036%
171 0,85% 7,027% 0,394%
172 1,50% 6,284% 1,653%
173 1,07% 6,355% 0,986%
174 2,35% 6,604% 1,489%
175 1,50% 5,568% 1,684%
176 0,64% 4,725% 1,975%
178 1,50% 7,256% 0,797%
179 1,71% 6,589% 1,260%
180 1,50% 6,430% 0,913%
181 1,92% 6,859% 1,108%
182 1,50% 6,422% 1,477%
183 0,43% 6,876% 0,083%
185 2,14% 6,796% 1,219%
186 1,28% 5,531% 1,804%
187 1,50% 6,759% 1,127%
188 1,50% 6,760% 1,149%
189 1,28% 6,556% 1,085%
192 0,64% 6,987% 0,327%
193 1,07% 5,794% 1,455%
194 1,07% 6,410% 0,770%
195 2,14% 6,571% 0,915%
196 1,28% 7,001% 0,829%
199 1,07% 5,802% 1,576%
200 1,92% 6,385% 1,277%
201 1,50% 7,453% 1,192%
202 1,71% 7,043% 0,471%
203 1,28% 6,662% 1,062%
206 1,50% 5,974% 1,762%
207 1,28% 6,959% 0,489%
208 1,07% 7,199% 0,337%
209 1,92% 6,990% 0,526%
210 2,35% 6,734% 1,010%
211 0,43% 6,752% 1,593%
213 1,07% 7,474% 0,676%
214 1,07% 6,629% 1,471%
Plazo
(Das)
Presencia
Burstil
Tasa
Promedio
Volatilidad
Tasa
215 1,28% 6,160% 1,297%
216 2,14% 7,088% 1,397%
217 1,71% 6,785% 1,442%
218 0,43% 5,606% 3,328%
219 0,43% 5,433% 2,914%
220 0,64% 7,055% 0,453%
221 1,71% 7,065% 1,397%
222 1,07% 7,349% 0,557%
223 1,50% 6,976% 0,447%
224 1,50% 6,773% 0,796%
227 0,85% 7,062% 0,646%
228 0,43% 5,556% 1,579%
229 1,50% 6,313% 1,407%
230 1,50% 6,869% 0,851%
231 1,71% 6,717% 2,016%
232 0,43% 4,491% 2,090%
234 0,85% 6,769% 1,458%
235 0,85% 5,747% 2,491%
236 1,50% 7,140% 1,834%
237 1,28% 7,596% 0,463%
238 1,28% 6,115% 1,578%
239 0,43% 7,479% 0,164%
241 1,50% 7,225% 1,120%
242 0,64% 6,117% 1,019%
243 1,92% 7,462% 0,585%
244 1,50% 6,545% 1,085%
245 2,14% 6,720% 1,574%
248 1,28% 6,266% 1,477%
249 1,50% 6,718% 1,277%
250 2,35% 7,008% 0,899%
251 2,14% 6,861% 1,476%
252 1,92% 6,617% 1,422%
253 0,64% 7,583% 0,400%
255 1,50% 7,278% 0,377%
256 2,14% 7,263% 1,076%
257 2,35% 6,660% 1,121%
258 1,71% 6,454% 1,485%
259 1,28% 6,963% 0,140%
260 0,85% 5,406% 2,274%
262 1,07% 6,472% 2,497%
263 1,92% 6,828% 1,430%
264 1,28% 6,426% 1,859%
265 0,85% 6,773% 0,949%
266 2,56% 6,699% 1,747%
269 1,28% 6,318% 2,573%
270 1,92% 7,466% 1,642%
271 1,92% 7,000% 2,210%
272 2,78% 6,616% 1,814%
273 2,14% 7,113% 1,638%
276 1,28% 7,058% 1,133%
178
Plazo
(Das)
Presencia
Burstil
Tasa
Promedio
Volatilidad
Tasa
277 2,56% 7,065% 1,447%
278 0,85% 7,988% 0,706%
279 2,14% 7,175% 1,635%
280 2,78% 7,001% 1,748%
281 1,28% 5,694% 2,397%
283 2,14% 6,979% 1,401%
284 1,50% 7,034% 1,731%
285 1,92% 6,833% 2,006%
286 1,28% 6,788% 1,793%
287 1,50% 7,258% 1,754%
288 0,43% 5,290% 2,393%
290 1,71% 7,232% 1,210%
291 1,50% 7,038% 1,577%
292 2,14% 6,043% 1,843%
293 1,50% 6,248% 2,165%
294 1,71% 5,416% 2,015%
295 0,64% 5,321% 3,124%
297 1,28% 7,325% 2,093%
298 1,71% 6,826% 1,980%
299 1,71% 6,273% 1,576%
300 1,71% 6,943% 1,492%
301 2,35% 6,831% 1,709%
302 1,07% 5,830% 1,981%
304 0,85% 7,714% 0,861%
305 2,14% 7,411% 0,829%
306 1,71% 7,249% 1,680%
307 2,56% 6,953% 1,801%
308 3,21% 6,932% 1,529%
309 0,64% 7,388% 0,462%
311 1,50% 7,186% 1,795%
312 1,28% 7,592% 0,598%
313 2,14% 7,419% 1,083%
314 1,92% 7,577% 0,988%
315 2,14% 6,505% 1,742%
316 0,64% 5,758% 2,387%
318 0,85% 7,994% 0,620%
319 0,64% 8,325% 0,900%
320 1,28% 6,841% 2,093%
321 2,56% 6,327% 2,022%
322 2,78% 6,832% 1,715%
323 0,85% 5,381% 2,520%
325 0,85% 6,855% 2,280%
327 2,14% 5,815% 2,090%
328 2,14% 5,619% 1,968%
329 2,99% 7,129% 1,658%
330 0,43% 5,944% 3,995%
332 0,85% 7,282% 0,316%
333 1,28% 6,000% 2,099%
334 1,71% 6,720% 1,967%
335 0,64% 7,520% 0,496%
Plazo
(Das)
Presencia
Burstil
Tasa
Promedio
Volatilidad
Tasa
336 1,28% 6,062% 2,083%
337 0,43% 8,704% 0,714%
339 0,85% 7,986% 0,663%
341 1,71% 6,407% 1,763%
342 0,85% 6,401% 2,024%
343 1,71% 6,109% 2,134%
344 0,64% 5,392% 2,740%
346 1,50% 7,484% 0,584%
348 2,14% 7,003% 1,490%
349 1,92% 6,519% 1,540%
350 1,92% 6,755% 1,852%
351 0,85% 5,034% 1,842%
353 0,85% 6,489% 2,134%
355 1,50% 7,057% 1,650%
356 1,07% 7,183% 0,370%
357 1,71% 7,631% 0,311%
360 0,85% 7,838% 0,627%
581 0,43% 3,834% 0,405%
589 0,43% 3,660% 0,649%
595 0,64% 3,879% 0,608%
610 0,43% 3,687% 0,203%
615 0,43% 4,056% 0,080%
622 0,43% 4,168% 0,080%
624 0,64% 3,929% 0,639%
643 0,43% 4,330% 0,162%
644 0,43% 4,289% 0,259%
645 0,64% 3,859% 0,312%
651 0,64% 3,914% 0,430%
653 0,64% 4,553% 0,488%
658 0,43% 4,272% 0,080%
661 0,43% 4,590% 0,891%
666 0,43% 4,492% 0,713%
678 0,43% 3,815% 0,401%
680 0,43% 4,600% 0,711%
685 0,43% 3,863% 0,631%
691 0,64% 4,542% 0,485%
692 0,64% 4,303% 0,804%
693 0,43% 3,924% 0,559%
699 0,43% 4,150% 0,238%
700 0,43% 5,041% 0,078%
707 0,43% 4,200% 0,952%
708 0,64% 5,020% 0,064%
709 0,43% 4,592% 0,708%
713 0,43% 4,655% 0,618%
714 0,64% 4,310% 0,843%
716 0,43% 4,363% 1,185%
720 0,43% 4,469% 1,497%
722 0,43% 3,862% 0,638%
723 0,43% 3,861% 0,638%
728 0,64% 4,996% 0,622%
179
Figura F-1: Presencia Burstil y Volatilidad por plazo, de la Muestra de PDBC
utilizada en la estimacin de modelos de Nelson & Siegel y Svensson.
F.1.2 Panel para estimacin de ETI mediante Modelos Dinmicos
Para la estimacin de modelos dinmicos se emplea el mismo panel de
datos presentado en la seccin anterior, pero adems se incluyen las observaciones
de Bonos del Banco Central en Pesos (BCP), existentes a partir del 13 de septiembre
de 2002. La tabla F.2 caracteriza a los BCP, como puede apreciarse, el nmero de
transacciones registradas es muy pequeo, en comparacin con la muestra. Sin
embargo, desde su emisin, han sido transados activamente.
Tabla F.2: Presencia en la Muestra, Tasa Promedio y Desviacin
Estndar de Tasa de los BCP utilizados en la estimacin de ETI dinmicas.
BCP-2 BCP-5
Promedio Tasa 4,019% 5,730%
Desviacin Estndar Tasa 0,250% 0,309%
Presencia en la Muestra 8,69% 7,42%
Presencia desde 13/09/2002 57,75% 49,30%

0,00%
5,00%
10,00%
15,00%
20,00%
25,00%
30,00%
35,00%
40,00%
0 90 180 270 360 450 540 630 720
PLAZO (DAS)
P
R
E
S
E
N
C
I
A

B
U
R
S
T
I
L
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
3,00%
3,50%
4,00%
4,50%
5,00%
V
O
L
A
T
I
L
I
D
A
D
PRESENCIA BURSTIL VOLATILIDAD
180

F.2 Panel de Transacciones de Instrumentos del Banco Central de Chile
ligados a las Tasas Reales de Inters
Para la estimacin de un modelo dinmico del tipo CIR, fueron utilizadas
las transacciones de PRC entre el 02 de enero de 1997 y el 30 de septiembre de 2002,
y transacciones de PRBC entre el 02 de enero de 1997 y el 28 de febrero de 2002.
En la tabla F.3 se muestra una caracterizacin de la muestra utilizada. La
figura F-2 grafica las caractersticas de la muestra. En la tabla puede apreciarse que
aquellos PRC ms transados corresponden a los instrumentos con vencimientos
cercanos a los plazos de licitacin de dichos papeles.
Tabla F.3: Presencia en la Muestra, Tasa Promedio y Volatilidad de Tasa
de los PRC a distintos plazos utilizados en la estimacin de ETI.
Plazo
(Aos)
Presencia
Burstil
Tasa
Promedio
Volatilidad
Tasa
1 28,04% 6,24% 2,00%
2 31,89% 6,05% 1,70%
3 33,29% 6,03% 1,31%
4 51,47% 5,80% 1,47%
5 39,30% 6,16% 1,30%
6 42,38% 6,13% 1,11%
7 64,13% 5,94% 1,24%
8 79,44% 5,80% 1,17%
9 35,38% 6,07% 1,04%
10 42,17% 6,25% 0,74%
11 22,24% 6,00% 0,98%
12 35,66% 6,04% 0,85%
13 21,82% 5,94% 0,86%
14 39,65% 5,98% 0,75%
15 24,41% 5,75% 0,92%
16 26,08% 5,87% 0,85%
17 22,10% 5,99% 0,73%
18 26,29% 6,00% 0,88%
19 42,52% 5,78% 0,92%
20 52,24% 5,83% 0,90%
181
Figura F-2: Presencia Burstil y Volatilidad por plazo, de la Muestra de PRC
utilizada en la estimacin de un modelo dinmico de Cox-Ingersoll-Ross
En la figura se aprecia claramente como la volatilidad observada de los
PRC posee una estructura decreciente como funcin del plazo, y como la presencia
burstil de estos instrumentos, calculada como el nmero de das en que se trans el
papel como proporcin del nmero de das totales de la muestra, es muy superior, en
todo el espectro relevante de tiempo, a la muestra de tasas nominales.
Como ya se explic, tanto los datos de PRC, como los datos de PRBC
fueron agrupados para simplificar la estimacin.
En este contexto, los PRBC son utilizados para servir de ancla en el corto
plazo a la ETI real. La tabla F.4 muestra un resumen de la muestra de PRBC
utilizada en la estimacin.
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Plazo
P
R
E
S
E
N
C
I
A

B
U
R
S
T
I
L
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
V
O
L
A
T
I
L
I
D
A
D
PRESENCIA BURSTIL VOLATIDAD
182
Tabla F.4: Presencia en la Muestra, Tasa Promedio y Volatilidad de Tasa de los
PRBC a distintos plazos utilizados en la estimacin de ETI.

Ao
Presencia
Burstil
Tasa
Promedio
Volatilidad
Tasa
Plazo
Promedio
(Aos)
Desviacin
Estndar Plazo
(Aos)
Plazo
Promedio
(Das)
Desviacin
Estndar
Plazo (Das)
1997 95,58% 6,31% 0,39% 0,1483 0,0281 54 10
1998 84,74% 8,75% 2,39% 0,1529 0,0377 56 14
1999 93,63% 5,54% 0,86% 0,1542 0,0311 56 11
2000 97,18% 5,02% 0,33% 0,1655 0,0285 60 10
2001 73,58% 3,97% 0,89% 0,2627 0,2592 96 95
2002 76,19% 4,19% 0,33% 0,7185 0,4311 262 157
En la tabla puede apreciarse como los PRBC pierden presencia, y como
su plazo promedio de transaccin se desplaza desde una madurez promedio de dos
meses a una de un ao, producto de que es reemplazado como instrumento de
intermediacin financiera al nominalizarse la economa. Las altas tasas de inters y
la volatilidad de las mismas, en el ao 1998, reflejan la crisis de liquidez que
present en sistema financiero chileno durante dicho ao.
183
ANEXO G: RESULTADOS DE LA ESTIMACIN DE ESTRUCTURAS DE
TASAS DE INTERS MEDIANTE MODELOS ESTTICOS
En esta seccin se describen con mayor detalle los resultados obtenidos
en la estimacin de modelos parsimoniosos de Nelson & Siegel y Svensson, para el
mercado chileno. Los datos utilizados para llevar a cabo la estimacin son
presentados en el anexo F de la presente tesis.
Por razones de espacio y dada la similitud que presentan con las
estimaciones obtenidas al utilizar la muestra completa, en esta seccin se presentan
slo los resultados para las estimaciones que utilizan la muestra reducida de
transacciones de PDBC.
Todas las tablas y figuras que se presentan para las estimaciones que
utilizan esta muestra, comparan los ajustes realizados sobre modelos de Nelson &
Siegel y Svensson, cada uno de los cuales se estima minimizando el error cuadrtico
en tasas de inters, minimizando el error cuadrtico en tasas de inters con un ancla
de corto plazo y sin las transacciones con menos de 4 das para el vencimiento, y
minimizando el error cuadrtico en precios; de los PDBC observados en el mercado.
Para una mejor presentacin, en lo siguiente se referir a estas
metodologas de ajuste como estimacin sobre la Muestra Reducida, Muestra con
Ancla y Muestra de Precios.
La tabla G.1 muestra el sesgo o error medio, por plazo para los modelos
de Nelson & Siegel (NS) y Svensson (SV), estimados para la muestra reducida, para
la muestra con ancla de corto plazo y para los precios de los instrumentos
observados.
Las tablas G.2 y G.3 presentan las mismas comparaciones, para ambos
modelos, y estimados de las formas anteriormente sealadas, pero en trminos del
error absoluto medio (MAE) y de la raz del error cuadrtico medio (RMSE),
respectivamente.
184
Tabla G.1: Error Medio o Sesgo de Ajuste para los modelos de NS y SV,
estimados sobre la muestra reducida de PDBC, Agosto 2001 Julio 2002.
Nelson & Siegel Svensson
PLAZO Sin Ancla Con Ancla Precios Sin Ancla Con Ancla Precios
1 -0,031% 0,082% -5,999% 0,011% 0,049% -5,628%
2 -0,094% - - -0,001% - -
3 -0,003% - - -0,011% - -
4 -0,024% -0,029% -0,829% -0,003% -0,031% -0,203%
5 0,008% 0,019% -0,417% 0,011% 0,003% -0,361%
6 0,003% 0,001% -0,154% 0,012% -0,005% -0,341%
7 0,013% 0,012% -0,272% -0,005% -0,005% -0,277%
8 -0,002% -0,009% -0,073% -0,010% -0,009% 0,053%
9 0,001% -0,005% -0,039% 0,002% -0,002% -0,080%
10 -0,027% -0,016% -0,115% -0,005% -0,008% -0,101%
11 0,014% 0,002% -0,147% -0,005% 0,006% 0,015%
12 0,020% 0,002% -0,129% 0,006% 0,010% -0,125%
13 -0,005% -0,005% -0,007% 0,005% 0,001% -0,034%
14 -0,004% -0,009% -0,023% -0,002% 0,003% 0,003%
15 -0,001% -0,005% 0,004% -0,005% -0,005% 0,004%
20 -0,016% -0,021% -0,010% -0,010% -0,010% -0,022%
25 -0,002% -0,005% 0,004% -0,004% -0,006% -0,048%
30 0,002% 0,000% 0,010% 0,001% 0,002% 0,007%
31 - 40 0,000% -0,003% 0,006% 0,000% -0,001% -0,015%
41 - 50 -0,002% -0,001% 0,005% -0,001% 0,002% -0,017%
51 - 60 0,000% 0,001% 0,006% 0,001% 0,002% -0,008%
61 - 90 -0,002% -0,002% 0,007% -0,001% 0,000% -0,002%
91 - 120 -0,001% -0,001% 0,001% 0,000% 0,000% -0,001%
121 - 150 0,000% 0,000% 0,001% 0,000% 0,000% -0,001%
151 - 180 0,001% 0,001% 0,001% 0,000% 0,000% -0,003%
181 - 270 0,001% 0,001% 0,000% 0,000% 0,000% 0,000%
271 - 365 0,002% 0,001% 0,000% 0,000% 0,000% 0,001%
366 - 734 0,000% 0,000% 0,000% 0,000% 0,000% 0,000%

185
Tabla G.2: Error Medio Absoluto de Ajuste para los modelos de NS y
SV, estimados sobre la muestra reducida de PDBC, Agosto 2001 Julio 2002.
1 0,196% 0,125% 9,878% 0,057% 0,091% 13,888%
2 0,110% - - 0,018% - -
3 0,105% - - 0,081% - -
4 0,140% 0,089% 1,128% 0,103% 0,072% 0,868%
5 0,069% 0,049% 0,539% 0,043% 0,042% 0,573%
6 0,091% 0,052% 0,299% 0,056% 0,044% 0,802%
7 0,090% 0,078% 0,452% 0,064% 0,063% 0,526%
8 0,041% 0,031% 0,122% 0,029% 0,027% 0,298%
9 0,012% 0,013% 0,054% 0,007% 0,008% 0,098%
10 0,053% 0,043% 0,148% 0,030% 0,032% 0,161%
11 0,043% 0,033% 0,209% 0,042% 0,036% 0,136%
12 0,046% 0,033% 0,191% 0,033% 0,034% 0,293%
13 0,038% 0,026% 0,053% 0,028% 0,022% 0,135%
14 0,055% 0,050% 0,085% 0,039% 0,037% 0,142%
15 0,023% 0,020% 0,029% 0,018% 0,017% 0,086%
20 0,030% 0,034% 0,034% 0,022% 0,023% 0,072%
25 0,029% 0,023% 0,033% 0,025% 0,025% 0,093%
30 0,012% 0,009% 0,022% 0,010% 0,010% 0,019%
31 - 40 0,014% 0,012% 0,022% 0,011% 0,011% 0,039%
41 - 50 0,010% 0,008% 0,018% 0,007% 0,009% 0,035%
51 - 60 0,008% 0,005% 0,008% 0,005% 0,005% 0,024%
61 - 90 0,004% 0,004% 0,010% 0,003% 0,003% 0,015%
91 - 120 0,003% 0,002% 0,004% 0,002% 0,002% 0,008%
121 - 150 0,002% 0,001% 0,002% 0,001% 0,001% 0,004%
151 - 180 0,003% 0,002% 0,002% 0,001% 0,001% 0,005%
181 - 270 0,002% 0,001% 0,001% 0,001% 0,001% 0,002%
271 - 365 0,002% 0,001% 0,001% 0,001% 0,001% 0,002%
366 - 734 0,000% 0,000% 0,000% 0,000% 0,000% 0,000%

186
Tabla G.3: Raz del Error Cuadrtico Medio de Ajuste para modelos de
NS y SV, estimados sobre la muestra reducida de PDBC, Agosto 2001 Julio 2002.
1 0,866% 0,214% 27,238% 0,263% 0,186% 41,148%
2 1,378% - - 0,086% - -
3 0,325% - - 0,295% - -
4 0,442% 0,262% 4,624% 0,367% 0,205% 3,469%
5 0,261% 0,150% 3,120% 0,137% 0,141% 3,291%
6 0,328% 0,129% 1,347% 0,157% 0,122% 4,276%
7 0,258% 0,254% 1,841% 0,202% 0,187% 2,458%
8 0,147% 0,093% 0,714% 0,086% 0,078% 1,258%
9 0,057% 0,065% 0,541% 0,044% 0,046% 1,162%
10 0,236% 0,163% 0,760% 0,107% 0,115% 1,166%
11 0,129% 0,081% 1,001% 0,117% 0,094% 0,545%
12 0,118% 0,090% 0,940% 0,094% 0,088% 1,516%
13 0,151% 0,083% 0,250% 0,083% 0,069% 0,814%
14 0,165% 0,140% 0,341% 0,116% 0,110% 0,718%
15 0,076% 0,065% 0,100% 0,058% 0,055% 0,431%
16 0,102% 0,079% 0,244% 0,068% 0,069% 0,590%
17 0,108% 0,099% 0,252% 0,082% 0,097% 0,475%
18 0,201% 0,156% 0,511% 0,153% 0,155% 0,488%
19 0,097% 0,089% 0,101% 0,073% 0,073% 0,483%
20 0,106% 0,110% 0,112% 0,081% 0,081% 0,388%
21 0,128% 0,126% 0,239% 0,108% 0,092% 0,336%
22 0,065% 0,061% 0,072% 0,058% 0,053% 0,402%
23 0,063% 0,048% 0,066% 0,041% 0,040% 0,225%
24 0,090% 0,085% 0,246% 0,071% 0,074% 0,332%
25 0,090% 0,074% 0,118% 0,082% 0,074% 0,532%
26 0,064% 0,064% 0,116% 0,055% 0,051% 0,295%
27 0,109% 0,092% 0,144% 0,086% 0,087% 0,235%
28 0,063% 0,062% 0,078% 0,046% 0,048% 0,344%
29 0,070% 0,061% 0,358% 0,058% 0,058% 0,857%
30 0,056% 0,038% 0,118% 0,038% 0,041% 0,084%
31 - 40 0,061% 0,050% 0,110% 0,047% 0,043% 0,284%
41 - 50 0,054% 0,040% 0,122% 0,039% 0,064% 0,293%
51 - 60 0,047% 0,032% 0,064% 0,035% 0,033% 0,205%
61 - 90 0,030% 0,035% 0,091% 0,023% 0,020% 0,146%
91 - 120 0,028% 0,022% 0,044% 0,017% 0,016% 0,099%
121 - 150 0,024% 0,013% 0,026% 0,013% 0,012% 0,045%
151 - 180 0,027% 0,018% 0,025% 0,012% 0,012% 0,052%
181 - 270 0,020% 0,014% 0,013% 0,010% 0,009% 0,019%
271 - 365 0,026% 0,017% 0,010% 0,012% 0,009% 0,028%
366 - 734 0,005% 0,002% 0,004% 0,003% 0,002% 0,002%
187
Las figuras G-1 y G-2 muestran el error medio, por plazo, para los
modelos de Nelson & Siegel y Svensson, respectivamente, estimados para la muestra
reducida, la muestra con ancla y la muestra de precios.
Figura G-1: ME por plazo, para el modelo de Nelson & Siegel, estimado
utilizando la muestra reducida de transacciones de PDBC, Agosto 2001 Julio 2002.
Figura G-2: ME por plazo, para el modelo de Svensson, estimado utilizando la
muestra reducida de transacciones de PDBC, Agosto 2001 Julio 2002.
-0,15%
-0,10%
-0,05%
0,00%
0,05%
0,10%
0 100 200 300 400 500 600 700 800
PLAZO (DIAS)
E
R
R
O
R

(
T
A
S
A
)
ME NS Precios ME NS Ancla ME NS
-0,25%
-0,20%
-0,15%
-0,10%
-0,05%
0,00%
0,05%
0,10%
0 100 200 300 400 500 600 700 800
PLAZO (DIAS)
E
R
R
O
R

P
R
O
M
E
D
I
O

(
T
A
S
A
)
ME SV Precios ME SV Ancla ME SV
188
La figura G-3 muestra el RMSE para el modelo de Nelson & Siegel,
mientras la figura G-4 muestra el MAE para el modelo de Svensson, ambos
estimados utilizando la muestras reducida, con ancla y de precios de PDBC.
Figura G-3: RMSE por plazo, para el modelo de Svensson, estimado utilizando
la muestra reducida de transacciones de PDBC, Agosto 2001 Julio 2002.
Figura G-4: MAE por plazo, para el modelo de Svensson, estimado utilizando
la muestra reducida de transacciones de PDBC, Agosto 2001 Julio 2002.
0,00%
0,02%
0,04%
0,06%
0,08%
0,10%
0,12%
0,14%
0,16%
0,18%
0,20%
0 100 200 300 400 500 600 700 800
PLAZO (DIAS)
E
R
R
O
R

A
B
S
O
L
U
T
O

(
T
A
S
A
)
MAE SV Precios MAE SV Ancla MAE SV
-0,20%
0,00%
0,20%
0,40%
0,60%
0,80%
1,00%
1,20%
1,40%
0 100 200 300 400 500 600 700 800
PLAZO (DIAS)
E
R
R
O
R

(
T
A
S
A
)
RMSE NS Precios RMSE NS Ancla RMSE NS

189
ANEXO H: RESULTADOS DE LA ESTIMACIN DE ESTRUCTURAS
DINMICAS DE TASAS DE INTERS MEDIANTE MODELOS
MULTIFACTORIALES DE COX-INGERSOLL-ROSS
En esta seccin se describen con mayor detalle los resultados obtenidos
en la estimacin de estructuras de tasas de inters, utilizando un modelo dinmico de
Cox-Ingersoll-Ross (CIR), para tasas reales y nominales, en el mercado chileno. Los
datos utilizados para llevar a cabo la estimacin son presentados en el anexo F de la
presente tesis.
H.1 Tasas Reales de Inters
H.1.1 Parmetros y Variables de Estado Estimados
Las figuras H-1, H-2 y H-3 muestran las variables de estado estimadas
para los modelos de uno, dos y tres factores, respectivamente. Por razones de espacio
no se presentar una tabla con el valor de dichas variables.
En las figuras puede apreciarse como la segunda variable del modelo de
dos factores presenta una evolucin y un nivel muy similar a la variable del modelo
de un factor, mientras la primera variable se mantiene en torno a un valor medio,
cercano a 1,5%. Esto indica que el modelo de un solo factor no es capaz de capturar
la dinmica de la tasa de corto plazo, y factores adicionales son necesarios.
Al pasar del modelo de dos factores, al modelo de tres factores se
observa que la tercera variable de estado es muy voltil, siendo aquella que capta la
volatilidad de las perturbaciones transitorias, como la crisis de liquidez de 1998, y las
oscilaciones de las tasas reales a partir de la nominalizacin de la economa.
La segunda variable de estado presenta un comportamiento ms estable,
pero tambin captura parte de los efectos transitorios sobre la tasa de corto plazo.
Este factor estara relacionado con las variaciones de mediano plazo de las tasas de
inters. Finalmente, la primera variable de estado es la ms estable, siendo la
responsable por los efectos ms permanentes o movimientos de largo plazo de las
tasas de inters.

190
Figura H-1: Evolucin de la variable de estado en el modelo de un factor.
Figura H-2: Evolucin de las variables de estado en el modelo de dos factores.
Figura H-3: Evolucin de las variables de estado en el modelo de tres factores.
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
14,00%
01-01-1997 01-01-1998 01-01-1999 01-01-2000 31-12-2000 31-12-2001
Fecha
V
a
l
o
r

(
%
)
X1
0,00%
3,00%
6,00%
9,00%
12,00%
15,00%
01-01-1997 01-01-1998 01-01-1999 01-01-2000 31-12-2000 31-12-2001
Fecha
V
a
l
o
r

(
%
)
X1
X2
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
14,00%
16,00%
01-01-1997 01-01-1998 01-01-1999 01-01-2000 31-12-2000 31-12-2001
Fecha
V
a
l
o
r

(
%
)
X1
X2
X3

191
La tabla H.1 muestra los errores de medicin estimados por los modelos
de uno, dos y tres factores de tasas reales de inters.
Tabla H.1: Errores de medicin para TIR de PRC y tasa de PRBC, estimados
por los modelos multifactoriales de ETI reales de CIR.
Error de Medicin 1F 2F 3F
h
PRBC
1,264% 0,912% 0,667%
h
PRC1
0,489% 0,279% 0,238%
h
PRC2
0,118% 0,108% 0,086%
h
PRC3
0,045% 0,042% 0,042%
h
PRC4
0,100% 0,041% 0,042%
Como se aprecia en la tabla H.1, los errores de medicin son bastante
similares para los modelos de dos y tres factores, y como es de esperarse, los
instrumentos en el corto plazo, son aquellos que poseen mayor error en las tasas
observadas. La figura H-4 muestra como evoluciona el error de medicin. Cabe
recordar que cada error de medicin de PRC abarca un rango de 5 aos de plazo,
mientras que el error de PRBC recoge los errores de medicin para todos los plazos.
factores de riesgo.
0,00%
0,20%
0,40%
0,60%
0,80%
1,00%
1,20%
1,40%
hPRBC hPRC1 hPRC2 hPRC3 hPRC4
Error de Medicin
E
r
r
o
r

(
T
a
s
a
)
1F 2F 3F

192
La tabla H.2 muestra los parmetros estimados para los modelos de uno,
dos y tres factores de riesgo de tasas de inters reales. Bajo cada valor estimado y se
encuentra el error estndar de estimacin del parmetro respectivo. El procedimiento
utilizado para calcular los errores de estimacin se explica en la seccin siguiente.
factores de riesgo, estimados con tasas de inters reales.
Parmetro 1F 2F 3F
1
0,19358144 0,00588071 0,00168256
(1,73E-02) (7,24E-05) (9,90E-07)
2
0,79940977 0,496241767
(1,15E-03) (1,24E-03)
3
1,145924572
(3,38E-02)
1
0,05881678 0,0411789 0,057533727
(1,81E-06) (3,19E-04) (1,38E-04)
2
0,13954591 0,147805053
(6,72E-04) (3,18E-03)
3
0,588649506
(1,06E-03)
1
0,06501842 0,02193845 0,012066027
(4,75E-06) (5,60E-05) (1,45E-11)
2
0,02799622 0,030908511
(1,52E-06) (6,73E-05)
3
0,007591903
(1,33E-04)
1
-9,9869E-05 -0,00115304 -0,00016427
(4,07E-04) (6,87E-05) (5,85E-04)
2
-0,28541497 -0,146798237
(2,25E-04) (3,05E-04)
3
0,222275549
(1,15E-04)
h
PRC1
0,00488944 0,00279017 0,002383681
(1,73E-06) (1,23E-07) (2,77E-09)
h
PRC2
0,00117712 0,00108146 0,000864308
(2,18E-07) (3,17E-07) (8,66E-09)
h
PRC3
0,00045062 0,00041692 0,000423764
(1,42E-07) (8,44E-07) (4,04E-08)
h
PRC4
0,00100447 -0,00059358 0,000421018
(2,05E-11) (3,53E-06) (2,80E-08)
h
PRBC
0,01263717 0,00911724 0,006669492
(5,60E-06) (8,15E-07) (5,98E-06)

193
Casi todos los parmetros estimados son significativamente distintos de
cero, exceptuando los precios de mercado de riesgo, para el primer factor, en los
modelos de uno y tres factores de riesgo.
Todos los premios por riesgo estimados son negativos, exceptuando
aquel del tercer factor, en el modelo de tres factores. Este resultado, as como
aquellos obtenidos para los dems parmetros son coincidentes con los resultados
obtenidos en la literatura, tanto en magnitud como en signo.
La tabla H.3 muestra el valor de la funcin de logverosimilitud, utilizada
para la estimacin de los modelos dinmicos. Adems se incluyen otros criterios de
informacin, tiles para la seleccin de modelos, como el Criterio de Informacin
Bayesiano (BIC) y el Criterio de Informacin de Akaike, que buscar corregir la
verosimilitud del modelo incorporando el nmero de parmetros y datos utilizados
para su estimacin. Estos se definen como:
( )
( )
2 log( ) 2 log( )
2 log( ) 2
BIC L K N
AIC L K
= +
= +
(H.1)
En ambos casos, K representa el nmero de parmetros utilizado en el
modelo, mientras N corresponde al nmero de datos utilizado para estimar el modelo.
Tabla H.3: Estadsticos de seleccin de modelos, para la estimacin de
utilizando tasas reales de inters.
Estadstico 1F 2F 3F
L() 68.977,6937 73.095,9161 73.798,2443
N Parmetros 14 18 22
BIC -137.751,955 -145.930,277 -147.276,810
AIC -137.927,387 -146.155,832 -147.552,489
De acuerdo al test de razn de verosimilitud, el modelo de dos factores es
preferido con respecto al de un factor, y el modelo de tres factores es preferido por
sobre le modelo de dos factores. El uso de criterios de seleccin basados en los otros
dos estadsticos de informacin arrojan idntica conclusin.

194
H.1.2 Clculo de Errores Estndar de Estimacin de Parmetros
Sea el vector de estimadores de los verdaderos parmetros, :
( )
1,..., 1,..., 1,..., 1,..., 1,...,
, , , ,
i K i K i K i K j m
h
= = = = =
= (H.2)
Como se seala en Nath (1998), la matriz de varianza-covarianza de
( )
n converge a:
1 1
2 2
i j i i i j
L L L L
E E E

| | ( ( | | | |

|
( ( | |
| |
|
( (
\ . \ . \ .
(H.3)
, en que L es el logaritmo de la funcin de verosimilitud. Los errores estndar de los
parmetros estimados estn dados por los elementos de la diagonal de esta matriz.
Para calcular las derivadas que componen esta matriz, se utiliza el
mtodo de diferencias finitas implcitas.
La primera derivada se aproxima de la siguiente manera:

( ) ( )
2
i i i i
i i
L L
L

+
(H.4)
De igual forma se estiman las segundas derivadas:
( ) ( ) ( )
2
2 2
2
i i i i i
i i
L L L L

+ +

(H.5)
( ) ( ) ( ) ( )
2
, , , ,
4
i i j j i i j j i i j j i i j j
i j i j
L L L L
L

+ + + + +

(H.6)
De esta forma son calculados, en la presente tesis, los errores estndar de
los parmetros estimados, tanto para tasas reales como para tasas nominales de
inters.

195
H.1.3 Errores de Ajuste dentro de la Muestra
Como ya se ha sealado, los errores de estimacin, por plazo, no se
comportan uniformemente en el tiempo. En aquellos perodos en que las tasas de
inters presentaron mayor volatilidad, los errores de ajuste son mayores, afectando el
desempeo para la muestra completa. Especialmente crtico es el ao 2002, pues en
un escenario de bajas tasas de inters y alta volatilidad de las tasas reales, el modelo
no es capaz de ajustarse a los datos observados.
La tablas H.4, a H.6 muestran RMSE, MAE y ME, por plazo y por ao,
para el modelo de un factor. En ellas puede apreciarse que los errores de estimacin
para 1998 y 2002 son sustancialmente mayores al resto de los aos presentados.
Tabla H.4: RMSE por plazo, para cada ao de datos incluido en la muestra,
para el modelo de un factor de riesgo de CIR estimado con un panel incompleto de
transacciones de derivados de tasas de inters reales del mercado chileno.
PLAZO (Aos) 1997 1998 1999 2000 2001 2002
1 0,300% 0,934% 0,303% 0,298% 0,429% 0,633%
2 0,197% 0,829% 0,166% 0,200% 0,261% 0,702%
3 0,137% 0,428% 0,120% 0,097% 0,217% 0,233%
4 0,095% 0,309% 0,083% 0,073% 0,195% 0,425%
5 0,081% 0,309% 0,096% 0,067% 0,188% 0,195%
6 0,047% 0,298% 0,092% 0,092% 0,109% 0,155%
7 0,049% 0,374% 0,118% 0,089% 0,096% 0,116%
8 0,062% 0,420% 0,131% 0,103% 0,078% 0,113%
9 0,069% 0,392% 0,145% 0,101% 0,087% 0,118%
10 0,071% 0,312% 0,146% 0,115% 0,090% 0,124%
11 0,083% 0,321% 0,161% 0,088% 0,154% 0,113%
12 0,092% 0,230% 0,139% 0,102% 0,143% 0,106%
13 0,106% 0,234% 0,145% 0,104% 0,162% 0,158%
14 0,114% 0,173% 0,163% 0,116% 0,145% 0,153%
15 0,091% 0,155% 0,155% 0,096% 0,135% 0,117%
16 0,132% 0,154% 0,145% 0,110% 0,138% 0,137%
17 0,127% 0,144% 0,179% 0,129% 0,147% 0,121%
18 0,157% 0,248% 0,176% 0,161% 0,108% 0,179%
19 0,193% 0,185% 0,172% 0,143% 0,117% 0,170%
20 0,202% 0,176% 0,196% 0,118% 0,121% 0,195%
PROMEDIO 0,120% 0,331% 0,152% 0,120% 0,156% 0,213%

196
Tabla H.5: MAE por plazo, para cada ao de datos incluido en la muestra, para
el modelo de un factor de riesgo de CIR, estimado con un panel incompleto de
transacciones de derivados de tasas reales de inters del mercado chileno.
PLAZO
(Aos)
1997 1998 1999 2000 2001 2002
1 0,223% 0,609% 0,240% 0,255% 0,299% 0,571%
2 0,157% 0,569% 0,130% 0,171% 0,207% 0,623%
3 0,116% 0,303% 0,084% 0,075% 0,170% 0,196%
4 0,079% 0,183% 0,062% 0,060% 0,151% 0,354%
5 0,058% 0,168% 0,072% 0,055% 0,140% 0,145%
6 0,041% 0,171% 0,071% 0,078% 0,090% 0,106%
7 0,041% 0,236% 0,100% 0,076% 0,078% 0,085%
8 0,052% 0,289% 0,116% 0,088% 0,059% 0,088%
9 0,058% 0,256% 0,131% 0,089% 0,070% 0,095%
10 0,063% 0,199% 0,131% 0,094% 0,072% 0,103%
11 0,075% 0,206% 0,143% 0,075% 0,130% 0,095%
12 0,080% 0,144% 0,122% 0,083% 0,117% 0,085%
13 0,098% 0,155% 0,128% 0,082% 0,137% 0,135%
14 0,097% 0,109% 0,145% 0,090% 0,117% 0,120%
15 0,084% 0,103% 0,135% 0,072% 0,115% 0,100%
16 0,099% 0,108% 0,129% 0,082% 0,109% 0,120%
17 0,095% 0,099% 0,160% 0,100% 0,125% 0,107%
18 0,124% 0,160% 0,158% 0,136% 0,093% 0,148%
19 0,163% 0,123% 0,155% 0,114% 0,099% 0,136%
20 0,173% 0,117% 0,178% 0,086% 0,102% 0,149%
PROMEDIO 0,099% 0,215% 0,130% 0,098% 0,124% 0,178%
En esta tabla nuevamente es posible apreciar la desviacin de los errores
de los aos 1998 y 2002, del resto de la muestra. Adems se aprecia que los errores
absolutos muestran un alza en 2001, provocado por el cambio de rgimen de poltica
monetaria.

197
Tabla H.6: ME por plazo, para cada ao de datos incluido en la muestra, para
el modelo de un factor de riesgo de CIR, estimado con un panel incompleto de
PLAZO
(Aos)
1997 1998 1999 2000 2001 2002
1 -0,114% -0,600% 0,102% 0,255% 0,212% 0,077%
2 -0,064% -0,547% 0,046% 0,149% 0,120% 0,426%
3 -0,080% -0,166% -0,026% 0,026% 0,080% 0,027%
4 -0,054% -0,088% -0,035% -0,007% 0,102% 0,314%
5 -0,026% -0,048% -0,053% -0,037% 0,086% 0,071%
6 -0,030% 0,114% -0,049% -0,070% -0,045% 0,013%
7 0,003% 0,175% -0,020% -0,075% -0,060% -0,043%
8 0,016% 0,285% -0,001% -0,087% -0,019% 0,035%
9 -0,001% 0,248% -0,019% -0,086% -0,035% 0,085%
10 0,006% 0,180% -0,028% -0,092% -0,029% -0,041%
11 0,012% 0,161% -0,047% -0,073% -0,111% -0,050%
12 0,005% 0,116% -0,047% -0,080% -0,071% -0,049%
13 -0,033% 0,110% -0,048% -0,076% -0,098% -0,109%
14 0,027% 0,066% -0,060% -0,086% -0,068% -0,081%
15 -0,084% 0,053% -0,049% -0,063% -0,054% -0,057%
16 0,020% 0,018% -0,042% -0,070% -0,067% 0,003%
17 -0,050% -0,015% -0,053% -0,087% -0,060% -0,037%
18 -0,018% 0,098% -0,040% -0,125% -0,014% 0,038%
19 0,100% 0,110% 0,047% -0,099% -0,006% 0,067%
20 0,129% 0,092% 0,086% -0,064% 0,025% 0,113%
PROMEDIO -0,012% 0,018% -0,017% -0,042% -0,006% 0,040%

198
Las siguientes tres tablas de errores, muestran las ya sealadas medidas
de la calidad de ajuste, para el modelo de dos factores de riesgo.
para el modelo de dos factores de riesgo de CIR, estimado con un panel de datos
incompleto de transacciones de derivados de tasas de inters reales del mercado
chileno.
PLAZO
(Aos)
1997 1998 1999 2000 2001 2002
1 0,127% 0,701% 0,180% 0,157% 0,315% 0,626%
2 0,080% 0,753% 0,100% 0,113% 0,212% 0,601%
3 0,068% 0,407% 0,107% 0,095% 0,174% 0,273%
4 0,063% 0,333% 0,088% 0,077% 0,147% 0,418%
5 0,075% 0,320% 0,107% 0,072% 0,158% 0,237%
6 0,035% 0,157% 0,076% 0,069% 0,084% 0,214%
7 0,030% 0,217% 0,059% 0,064% 0,062% 0,167%
8 0,023% 0,190% 0,043% 0,058% 0,072% 0,231%
9 0,026% 0,166% 0,042% 0,046% 0,053% 0,272%
10 0,039% 0,090% 0,038% 0,038% 0,044% 0,185%
11 0,045% 0,047% 0,034% 0,030% 0,064% 0,162%
12 0,054% 0,039% 0,027% 0,026% 0,045% 0,126%
13 0,046% 0,048% 0,033% 0,028% 0,061% 0,122%
14 0,058% 0,052% 0,033% 0,022% 0,051% 0,084%
15 0,038% 0,092% 0,034% 0,023% 0,051% 0,085%
16 0,050% 0,108% 0,042% 0,026% 0,045% 0,075%
17 0,037% 0,107% 0,043% 0,023% 0,036% 0,070%
18 0,034% 0,074% 0,041% 0,022% 0,033% 0,086%
19 0,027% 0,039% 0,029% 0,022% 0,040% 0,084%
20 0,019% 0,048% 0,027% 0,017% 0,037% 0,101%
PROMEDIO 0,049% 0,199% 0,059% 0,051% 0,089% 0,211%

199
Tabla H.8: MAE por plazo, para cada ao de datos incluido en la muestra, para
el modelo de dos factores de riesgo de CIR, estimado con un panel de datos
incompleto de transacciones de derivados de tasas de inters reales del mercado
chileno.
PLAZO
(Aos)
1997 1998 1999 2000 2001 2002
1 0,097% 0,433% 0,130% 0,122% 0,224% 0,505%
2 0,062% 0,514% 0,078% 0,089% 0,158% 0,513%
3 0,054% 0,288% 0,072% 0,082% 0,136% 0,212%
4 0,051% 0,206% 0,069% 0,063% 0,109% 0,340%
5 0,046% 0,191% 0,082% 0,062% 0,118% 0,180%
6 0,030% 0,095% 0,062% 0,062% 0,070% 0,143%
7 0,025% 0,118% 0,049% 0,059% 0,051% 0,124%
8 0,019% 0,122% 0,035% 0,051% 0,057% 0,176%
9 0,021% 0,091% 0,034% 0,042% 0,042% 0,225%
10 0,032% 0,052% 0,032% 0,034% 0,033% 0,148%
11 0,042% 0,036% 0,027% 0,027% 0,055% 0,131%
12 0,047% 0,034% 0,023% 0,024% 0,036% 0,094%
13 0,045% 0,041% 0,028% 0,026% 0,053% 0,096%
14 0,053% 0,045% 0,029% 0,021% 0,043% 0,072%
15 0,037% 0,074% 0,028% 0,021% 0,045% 0,072%
16 0,044% 0,084% 0,037% 0,021% 0,039% 0,059%
17 0,034% 0,082% 0,037% 0,021% 0,029% 0,060%
18 0,030% 0,051% 0,035% 0,019% 0,027% 0,061%
19 0,022% 0,027% 0,022% 0,021% 0,029% 0,059%
20 0,015% 0,033% 0,022% 0,014% 0,027% 0,074%
PROMEDIO 0,040% 0,131% 0,047% 0,044% 0,069% 0,167%

200
el modelo de dos factores de riesgo de CIR, estimado con un panel incompleto de
datos de transacciones de derivados de tasas de inters reales del mercado chileno.
PLAZO
(Aos)
1997 1998 1999 2000 2001 2002
1 0,018% -0,405% 0,066% 0,043% -0,109% -0,334%
2 0,023% -0,484% -0,002% 0,005% -0,076% 0,288%
3 0,023% -0,179% -0,046% -0,047% -0,030% -0,077%
4 0,029% -0,165% -0,051% -0,056% 0,048% 0,290%
5 0,010% -0,162% -0,070% -0,052% 0,067% 0,114%
6 -0,020% -0,011% -0,057% -0,058% -0,016% 0,099%
7 -0,001% 0,057% -0,036% -0,057% -0,021% 0,079%
8 0,000% 0,121% -0,011% -0,050% 0,036% 0,170%
9 -0,019% 0,081% -0,009% -0,039% 0,017% 0,224%
10 -0,031% 0,030% -0,017% -0,032% 0,006% 0,098%
11 -0,041% -0,003% -0,021% -0,027% -0,039% 0,094%
12 -0,047% -0,022% -0,020% -0,024% -0,028% 0,024%
13 -0,042% -0,031% -0,024% -0,026% -0,053% -0,021%
14 -0,053% -0,044% -0,026% -0,021% -0,040% -0,040%
15 -0,037% -0,069% -0,025% -0,021% -0,040% -0,016%
16 -0,038% -0,084% -0,036% -0,017% -0,037% 0,001%
17 -0,034% -0,081% -0,035% -0,021% -0,026% 0,001%
18 -0,027% -0,041% -0,034% -0,019% -0,023% 0,024%
19 -0,017% -0,017% -0,009% -0,019% -0,002% 0,033%
20 0,004% -0,015% 0,009% -0,013% 0,008% 0,058%
PROMEDIO -0,015% -0,076% -0,023% -0,028% -0,018% 0,055%
Los errores de estimacin para este modelo se interpretan de forma
parecida a aquellos del modelo de un factor. El nivel general de los errores
disminuye a medida que aumenta el plazo.

201
Las siguientes tres tablas presentan errores de ajuste para el modelo
dinmico de tres factores de riesgo.
para el modelo de tres factores de riesgo de CIR, estimado con un panel incompleto
de datos de transacciones de derivados de tasas de inters reales del mercado chileno.
PLAZO
(Aos)
1997 1998 1999 2000 2001 2002
1 0,121% 0,375% 0,161% 0,155% 0,227% 0,422%
2 0,069% 0,631% 0,106% 0,117% 0,152% 0,573%
3 0,058% 0,388% 0,106% 0,093% 0,172% 0,233%
4 0,051% 0,371% 0,087% 0,061% 0,149% 0,388%
5 0,073% 0,366% 0,101% 0,053% 0,165% 0,201%
6 0,024% 0,136% 0,057% 0,038% 0,074% 0,172%
7 0,036% 0,181% 0,042% 0,032% 0,048% 0,124%
8 0,036% 0,143% 0,043% 0,028% 0,070% 0,183%
9 0,020% 0,131% 0,045% 0,022% 0,061% 0,217%
10 0,022% 0,067% 0,039% 0,022% 0,054% 0,157%
11 0,019% 0,034% 0,032% 0,020% 0,053% 0,123%
12 0,028% 0,028% 0,024% 0,017% 0,038% 0,107%
13 0,020% 0,034% 0,024% 0,015% 0,036% 0,109%
14 0,030% 0,032% 0,021% 0,014% 0,034% 0,083%
15 0,012% 0,077% 0,023% 0,011% 0,033% 0,063%
16 0,035% 0,092% 0,025% 0,025% 0,028% 0,060%
17 0,020% 0,088% 0,028% 0,012% 0,031% 0,052%
18 0,023% 0,063% 0,026% 0,012% 0,029% 0,076%
19 0,022% 0,037% 0,030% 0,012% 0,054% 0,075%
20 0,029% 0,051% 0,036% 0,012% 0,059% 0,097%
PROMEDIO 0,037% 0,166% 0,053% 0,039% 0,078% 0,176%

202
Tabla H.11: MAE por plazo, para cada ao de datos incluido en la muestra,
para el modelo de tres factores de riesgo de CIR, estimado con un panel incompleto
de datos de transacciones derivados de tasas de inters reales del mercado chileno.
PLAZO
(Aos)
1997 1998 1999 2000 2001 2002
1 0,092% 0,229% 0,122% 0,129% 0,160% 0,324%
2 0,051% 0,437% 0,083% 0,090% 0,122% 0,458%
3 0,048% 0,275% 0,071% 0,080% 0,132% 0,167%
4 0,041% 0,243% 0,068% 0,049% 0,109% 0,312%
5 0,041% 0,226% 0,073% 0,044% 0,120% 0,149%
6 0,019% 0,087% 0,040% 0,029% 0,057% 0,113%
7 0,028% 0,097% 0,033% 0,023% 0,037% 0,090%
8 0,031% 0,095% 0,035% 0,020% 0,056% 0,137%
9 0,017% 0,071% 0,034% 0,017% 0,047% 0,179%
10 0,016% 0,039% 0,030% 0,017% 0,043% 0,127%
11 0,015% 0,024% 0,025% 0,016% 0,041% 0,096%
12 0,020% 0,021% 0,019% 0,014% 0,030% 0,074%
13 0,015% 0,027% 0,016% 0,011% 0,028% 0,085%
14 0,023% 0,025% 0,015% 0,012% 0,025% 0,065%
15 0,009% 0,054% 0,018% 0,009% 0,025% 0,052%
16 0,022% 0,062% 0,019% 0,012% 0,022% 0,048%
17 0,015% 0,059% 0,020% 0,010% 0,024% 0,043%
18 0,018% 0,042% 0,020% 0,009% 0,023% 0,049%
19 0,017% 0,026% 0,021% 0,009% 0,041% 0,053%
20 0,024% 0,028% 0,029% 0,009% 0,046% 0,075%
PROMEDIO 0,028% 0,108% 0,040% 0,031% 0,059% 0,135%

203
el modelo de tres factores de riesgo de CIR, estimado con un panel incompleto de
PLAZO
(Aos)
1997 1998 1999 2000 2001 2002
1 -0,066% -0,031% 0,018% -0,029% 0,008% -0,069%
2 -0,026% -0,381% -0,023% -0,011% 0,012% 0,398%
3 -0,001% -0,187% -0,045% -0,037% 0,013% -0,010%
4 0,018% -0,216% -0,037% -0,031% 0,066% 0,266%
5 0,016% -0,211% -0,045% -0,018% 0,081% 0,072%
6 0,000% -0,042% -0,023% -0,017% -0,007% 0,061%
7 0,025% 0,034% -0,001% -0,015% -0,011% 0,039%
8 0,030% 0,094% 0,026% -0,007% 0,047% 0,131%
9 0,015% 0,065% 0,027% 0,003% 0,035% 0,176%
10 0,005% 0,028% 0,022% 0,011% 0,031% 0,065%
11 -0,006% 0,008% 0,018% 0,011% -0,016% 0,063%
12 -0,012% -0,005% 0,017% 0,013% 0,000% 0,018%
13 -0,008% -0,008% 0,009% 0,009% -0,021% -0,025%
14 -0,019% -0,017% 0,007% 0,011% -0,009% -0,043%
15 -0,008% -0,038% 0,005% 0,008% -0,008% -0,014%
16 -0,011% -0,057% -0,008% 0,010% -0,003% -0,001%
17 -0,012% -0,051% -0,010% 0,002% 0,011% 0,009%
18 -0,006% -0,011% -0,013% 0,001% 0,012% 0,031%
19 0,004% 0,016% 0,009% -0,003% 0,034% 0,045%
20 0,023% 0,016% 0,026% 0,000% 0,041% 0,072%
PROMEDIO -0,002% -0,050% -0,001% -0,005% 0,016% 0,064%
En esta ltima tabla puede verse como el sesgo del modelo de tres
factores se encuentra fuertemente influenciado por el ao 2002. Hay que sealar que
los errores de toda la muestra son dependientes de la informacin que esta contenga,
pues los parmetros son estimados globalmente, luego los datos de baja calidad
afectan el ajuste al resto de las observaciones.
A continuacin, para graficar los efectos de los aos de tasas reales ms
voltiles, se presenta una seleccin de errores de ajuste. Las figuras H-5, H-6 y H-7
muestran el RMSE, MAE y ME, por ao; para los modelos de tres, dos y un factor de
riesgo, respectivamente.

204
Figura H-5: RMSE por ao, para el modelo de un factor de riesgo.
Figura H-6: MAE por ao, para el modelo de dos factores de riesgo.
0,00%
0,10%
0,20%
0,30%
0,40%
0,50%
0,60%
0,70%
0,80%
0,90%
1,00%
0 2 4 6 8 10 12 14 16 18 20
Plazo (Aos)
E
r
r
o
r

(
T
a
s
a
)
1997 1998 1999 2000 2001 2002
0,00%
0,10%
0,20%
0,30%
0,40%
0,50%
0,60%
0 2 4 6 8 10 12 14 16 18 20
Plazo (Aos)
E
r
r
o
r

(
T
a
s
a
)
1997 1998 1999 2000 2001 2002

205
Figura H-7: ME por ao, para el modelo de tres factores de riesgo.
H.2 Tasas Nominales de Inters
H.2.1 Parmetros y Variables de Estado Estimados
Las figuras H-8, H-9 y H-10 muestran las variables de estado estimadas
para los modelos de uno, dos y tres factores, respectivamente. Por razones de espacio
no se presentar una tabla con el valor de dichas variables.
Figura H-8: Evolucin de la variable de estado en el modelo de un factor
de CIR, estimado con un panel incompleto de derivados de tasas de inters nominal
del mercado chileno, Enero 2001 Diciembre 2002.
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
14,00%
01-01-2001 02-07-2001 31-12-2001 01-07-2002 30-12-2002
Fecha
V
a
l
o
r

(
%
)
X1
-0,60%
-0,40%
-0,20%
0,00%
0,20%
0,40%
0,60%
0 2 4 6 8 10 12 14 16 18 20
Plazo (Aos)
E
r
r
o
r

(
T
a
s
a
)
1997 1998 1999 2000 2001 2002

206
Figura H-9: Evolucin de las variables de estado en el modelo de dos
factores de CIR, estimado con un panel incompleto de tasas de inters nominale del
Figura H-10: Evolucin de las variables de estado en el modelo de tres
factores de CIR, estimado con un panel incompleto de tasas de inters nominal del
En la figura puede apreciarse que la segunda variable del modelo de dos
factores presenta una evolucin y un nivel muy similar a la variable del modelo de
un factor, mientras la primera variable se mantiene en torno a un valor medio,
cercano a 1,5%. Esto indica que el modelo de un solo factor no es capaz de capturar
la dinmica de la tasa de corto plazo, y factores adicionales son necesarios.
Al pasar del modelo de dos factores al modelo de tres factores se observa
que la tercera variable de estado es especialmente voltil, siendo aquella que capta la
volatilidad de las perturbaciones transitorias, como la crisis de liquidez de 1998, y las
oscilaciones de las tasas reales a partir de la nominalizacin de la economa.
0,00%
3,00%
6,00%
9,00%
12,00%
15,00%
01-01-2001 02-07-2001 31-12-2001 01-07-2002 30-12-2002
Fecha
V
a
l
o
r

(
%
)
X1
X2
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
8,00%
9,00%
10,00%
01-01-2001 02-07-2001 31-12-2001 01-07-2002 30-12-2002
Fecha
V
a
l
o
r

(
%
)X1
X2
X3

207
La segunda variable de estado presenta un comportamiento ms estable,
y captura parte de los efectos transitorios sobre la tasa de corto plazo. Este factor
estara relacionado con las variaciones de mediano plazo de las tasas de inters.
Finalmente, la primera variable de estado es la ms estable, siendo la responsable por
los efectos ms permanentes o movimientos de largo plazo de las tasas de inters.
La tabla H.17 muestra los parmetros estimados para los modelos de uno,
dos y tres factores de riesgo de tasas de inters nominales, con sus respectivos
errores de estimacin.
Tabla H.17: Parmetros Estimados para los modelos de CIR de uno, dos
y tres factores de riesgo, estimados con tasas de inters nominales.
Param 1F 2F 3F
1
0,18034708 0,0141944 0,01553777
(4,66E-07) (1,43E-02) (7,56E-07)
2
0,24479905 0,41823487
(6,53E-08) (1,16E-04)
3
2,80734929
(2,34E-01)
1
0,05757562 0,01361013 0,00912237
(2,80E-04) (2,47E-03) (4,80E-06)
2
0,12352462 0,12967627
(1,73E-08) (2,81E-06)
3
0,72476507
(5,07E-03)
1
0,12648933 0,001858 0,00128181
(9,11E-03) (2,05E-04) (7,19E-06)
2
0,03555937 0,03482466
(2,05E-04) (8,05E-07)
3
0,09344209
(7,93E-05)
1
-0,00204775 -0,00017243 -0,00017269
(9,79E-02) (1,24E-04) (5,31E-03)
2
-0,54415872 -0,3918555
(2,12E-03) (5,46E-05)
3
8,93214601
(3,05E-01)
Param 1F 2F 3F
h
PDBC1
0,08275751 0,06961659 0,0860004
(2,58E-07) (8,24E-07) (6,09E-10)
h
PDBC2
0,02118768 0,02118765 0,01983924
(2,00E-08) (5,90E-08) (5,44E-09)
h
PDBC3
0,04197969 0,02847366 0,04466624
(1,72E-07) (7,42E-09) (1,26E-14)
h
PDBC4
0,01421112 0,01358332 0,01073211
(2,19E-07) (4,53E-10) (4,08E-08)
h
PDBC5
0,01140537 0,01063268 0,00309971
(9,24E-08) (7,71E-08) (2,50E-10)
h
PDBC6
0,00900235 0,00829077 0,00304069
(5,50E-08) (1,30E-08) (3,10E-08)
h
PDBC7
0,00264419 0,00233424 0,00163953
(3,64E-07) (2,55E-07) (1,37E-07)
h
PDBC8
0,00089244 0,00076993 0,00076538
(4,34E-07) (3,65E-05) (1,84E-07)
h
BCP1
0,00203852 0,00764289 0,00764289
(5,15E-08) (1,88E-06) (7,57E-05)
h
BCP2
0,01263717 0,00266248 0,00128918
(1,25E-08) (4,75E-13) (3,46E-07)

208
Todos los parmetros estimados son significativos, salvo el parmetro de
velocidad de reversin para la primera variable de estado en el modelo de dos
factores, y el precio de mercado del riesgo de la primera variable, para todos los
modelos. Los resultados obtenidos son coincidentes con la literatura.
La tabla H.18 muestra los estadsticos de seleccin de modelos. Al igual
que en el caso de las tasas reales, el uso del test de razn de verosimilitud, del
criterio de seleccin bayesiano y del criterio de seleccin de Akaike, favorecen a los
modelos multifactoriales por sobre el modelo de un factor, y entre stos, al modelo
de tres factores de riesgo.
Tabla H.18: Estadsticos de seleccin de modelos, para la estimacin de
modelos dinmicos de CIR, utilizando panel incompleto de transacciones de
derivados de tasas nominales de inters del mercado chileno, Enero 2001
Diciembre 2002.
Estadstico 1F 2F 3F
L() 26.890,23 27.334,03 30.697,85
N Parmetros 14,00 18,00 22,00
BIC -53.869,06 -54.781,97 -61.534,92
AIC -53.752,47 -54.632,07 -61.351,71

Si se comparan los valores de los estadsticos de informacin, con
aquellos obtenidos en la estimacin de modelos de tasas reales de inters, se aprecia
que los criterios de tasas reales son muy inferiores a los estadsticos de la estimacin
de tasas reales, debido a la calidad de los datos utilizados para la estimacin.
La tabla H.19 muestra los errores de medicin estimados por los modelos
de uno, dos y tres factores de tasas reales de inters.

209
Tabla H.19: Errores de medicin para tasas de PDBC y TIR de BCP,
estimados por los modelos de CIR de ETI nominal, Enero 2001 Diciembre 2002.
Error de Medicin 1F 2F 3F
h
PDBC1
8,459% 8,383% 8,600%
h
PDBC2
2,112% 2,120% 1,984%
h
PDBC3
4,177% 4,114% 4,467%
h
PDBC4
1,412% 1,357% 1,073%
h
PDBC5
1,123% 1,068% 0,310%
h
PDBC6
0,879% 0,832% 0,304%
h
PDBC7
0,249% 0,234% 0,164%
h
PDBC8
0,082% 0,076% 0,077%
h
BCP1
0,764% 0,764% 0,764%
h
BCP2
0,206% 0,275% 0,129%
Figura H.11: Errores de Medicin para los modelos dinmicos de uno, dos y
tres factores de riesgo.
Como se aprecia en la tabla H-19 y en la figura H-11, los errores de
medicin presentan un comportamiento decreciente, a medida que aumenta el plazo
al vencimiento. Dado que los efectos de pago a uno y tres das son ms frecuentes
que aquellos a dos das de plazo, los dos primeros mayores a ste ltimo.
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
8,00%
9,00%
10,00%
hPDBC1 hPDBC2 hPDBC3 hPDBC4 hPDBC5 hPDBC6 hPDBC7 hPDBC8 hBCP1 hBCP2
Error de Medicin
E
r
r
o
r

(
T
a
s
a
)
1F 2F 3F

210
El error de medicin del BCP a dos aos, h
BCP1
, presenta mayor
magnitud que el error de medicin del PDBC a idntico plazo, h
PDBC2
. Esto se debe a
la incipiente muestra de bonos del BC en pesos, versus una mayor presencia de los
pagars en la muestra, lo que determina un mayor error en la estimacin de los
primeros.

Estructura Tasa

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estructura Tasa

Uploaded by

Copyright:

Available Formats

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE

es finito para todo t. El

es un vector de K movimientos brownianos independientes bajo la medida de

You might also like