Gestión del roll, márgenes, SPAN y apalancamiento implícito.

Cuándo rodar

Un futuro vence; una posición en futuros no tiene por qué. Mantenerla obliga a rodar: cerrar el contrato que se tiene y abrir el siguiente antes de que el primero deje de servir. La lección 1.4.6 trató el roll desde el lado de los datos (cómo empalmar una serie continua). Aquí se trata desde el lado de la operación: cuándo, a qué coste y con qué riesgo. Las reglas de los datos sintéticos fijan la fecha de roll de cada contrato a partir de una referencia de su ficha:

import numpy as np
import pandas as pd

curvas = pd.read_parquet("futuros3_curvas.parquet")
ctr = pd.read_csv("futuros3_contratos.csv",
                  parse_dates=["vencimiento", "primer_aviso",
                               "fecha_alta", "fecha_roll"])
esp = pd.read_csv("futuros3_especificaciones.csv",
                  index_col="mercado")
MERCADOS = list(esp.index[esp["mercado_base"].isna()])
reglas = esp.loc[MERCADOS, ["meses", "referencia_roll", "dias_roll"]]
reglas["rolls_ano"] = reglas["meses"].str.len()
reglas.loc[["RVA", "RVH", "TPC", "PEC", "GNA", "MTO", "GRM", "DQE"]]

                meses referencia_roll  dias_roll  rolls_ano
mercado
RVA              HMUZ     vencimiento          8          4
RVH      FGHJKMNQUVXZ     vencimiento          2         12
TPC              HMUZ    primer_aviso          3          4
PEC      FGHJKMNQUVXZ     vencimiento          6         12
GNA      FGHJKMNQUVXZ     vencimiento          4         12
MTO            GJMQVZ    primer_aviso          3          6
GRM             HKNUZ    primer_aviso         10          5
DQE              HMUZ     vencimiento          5          4

Los de entrega física con aviso (bonos, metales, agrícolas) ruedan un número de sesiones antes del primer aviso: 3 en la nota a 10 años y el oro, 10 en el maíz. Los demás, antes del vencimiento: 8 sesiones en RVA, 2 en el índice español (que tiene contratos mensuales), 6 en el crudo. El número de rolls al año depende de los meses que se tienen: 4 en los trimestrales, 12 en la energía, 5 en el maíz, 6 en el oro.

flowchart TB
  A[Contrato actual] --> B{¿Física con aviso?}
  B -- sí --> C[Roll antes aviso]
  B -- no --> D{¿Liquidez migró?}
  D -- sí --> E[Roll al migrar]
  D -- no --> F[Esperar]
  C --> G[Orden de spread]
  E --> G

La regla de un sistema no tiene por qué ser la de los datos, pero tiene que cumplir dos condiciones: salir antes del primer aviso cuando lo hay y estar en el contrato que tiene la liquidez. La segunda se mide:

sesiones = pd.DatetimeIndex(sorted(curvas["fecha"].unique()))
oi = curvas.pivot_table(index="fecha", columns="contrato",
                        values="interes_abierto")

def migracion(mercado, desfases=range(-12, 4)):
    """Cuota del interés abierto del contrato que se deja (frente al
    siguiente), por sesiones respecto a su fecha de roll."""
    cm = ctr[(ctr["mercado"] == mercado)
             & (ctr["fecha_roll"].between("2011-01-01",
                                          "2024-12-31"))]
    sig = ctr[ctr["mercado"] == mercado]["contrato"].to_numpy()
    siguiente = dict(zip(sig[:-1], sig[1:]))
    filas = []
    for _, c in cm.iterrows():
        p = sesiones.searchsorted(c["fecha_roll"])
        for d in desfases:
            f = sesiones[p + d]
            a = oi.at[f, c["contrato"]]
            b = oi.at[f, siguiente[c["contrato"]]]
            filas.append((d, a / (a + b)))
    return pd.DataFrame(filas, columns=["d", "cuota"]).groupby(
        "d")["cuota"].mean()

mig = pd.DataFrame({m: migracion(m)
                    for m in ["RVA", "TPC", "PEC", "GRM"]})
(100 * mig.loc[[-12, -8, -5, -3, -1, 0, 1, 3]]).round(1)

      RVA   TPC   PEC   GRM
d
-12  92.6  92.6  64.5  68.0
-8   84.4  92.6  62.5  44.0
-5   41.2  89.9  33.3  14.2
-3   12.7  48.4   9.1   4.1
-1    6.0   3.0   2.1   2.0
 0    5.7   2.0   2.0   2.0
 1    3.5   1.2   1.2   1.2
 3    1.3   0.4   0.4   0.4

La tabla y la figura promedian todos los rolls de 2011 a 2024. En el maíz, 12 sesiones antes del roll al contrato que vence le queda el 68,0 % del interés abierto, 5 sesiones antes solo el 14,2 % y la migración ha terminado antes del roll; en el crudo, del 64,5 % al 33,3 % en las mismas sesiones. En la nota a 10 años, el contrato viejo conserva el 92,6 % hasta 8 sesiones antes y el cambio se concentra en tres sesiones (del 89,9 % en la −5 al 3,0 % en la −1): es el patrón de los bonos reales, que ruedan casi todos en los mismos días antes del primer aviso. En la fecha de roll, al contrato que vence le queda entre el 2,0 % y el 5,7 % del interés abierto. Rodar después es negociar en un contrato que se vacía.

El roll como spread de calendario

Rodar es vender un contrato y comprar el siguiente a la vez: un spread de calendario. Las bolsas los cotizan como instrumento propio, con su libro, y una orden de spread se ejecuta como una sola operación. Los datos traen el cierre del libro de spreads de seis mercados junto con las patas:

sp = pd.read_parquet("spreads3_cotizados.parquet")
sp["tick"] = esp["tick"].reindex(sp["mercado"]).to_numpy()
sp["libro"] = (sp["ask"] - sp["bid"]) / sp["tick"]
sp["patas"] = ((sp["ask_cerca"] - sp["bid_lejos"])
               - (sp["bid_cerca"] - sp["ask_lejos"])) / sp["tick"]
sp.groupby("mercado")[["libro", "patas"]].mean().round(2)

         libro  patas
mercado
GNA       1.25   2.81
GRM       1.25   2.79
MTO       1.24   2.76
PEC       1.25   2.77
RVA       1.22   2.83
TPC       1.25   2.78

El libro del spread cotiza con una horquilla media de 1,22 a 1,25 ticks; el spread construido con las dos patas (vender al bid de una y comprar al ask de la otra), de 2,76 a 2,83. Es la respuesta conocida de los datos: el libro del spread cotiza a 1 tick el 75 % de las veces y cada pata a 1-3 ticks. Rodar por patas cuesta más del doble y además expone al riesgo de ejecución entre patas (legging risk): si se vende el viejo y el precio se mueve antes de comprar el nuevo, el roll sale peor. La lección 3.2.5 mide ese riesgo con datos de minutos. En coste anual:

fx = pd.read_parquet("fx3_diario.parquet")
usd_qev = fx[fx["divisa"] == "QEV"].set_index("fecha")[
    "usd_por_unidad"]
DIA = "2025-11-26"

def precio_que_se_tiene(mercado, dia):
    cm = ctr[ctr["mercado"] == mercado].reset_index(drop=True)
    k = cm["contrato"].iloc[cm["fecha_roll"].searchsorted(
        pd.Timestamp(dia), side="right")]
    fila = curvas[(curvas["fecha"] == dia)
                  & (curvas["contrato"] == k)]
    return fila["liquidacion"].iloc[0]

filas = {}
for m in ["RVA", "TPC", "PEC", "GNA", "MTO", "GRM"]:
    e = esp.loc[m]
    nominal = precio_que_se_tiene(m, DIA) * e["multiplicador"]
    medio_libro = sp.loc[sp["mercado"] == m, "libro"].mean() / 2
    medio_patas = sp.loc[sp["mercado"] == m, "patas"].mean() / 2
    por_roll = lambda t: t * e["valor_tick"] + 2 * e["comision"]
    filas[m] = {"rolls": len(e["meses"]),
                "libro_pb_ano": 1e4 * len(e["meses"])
                * por_roll(medio_libro) / nominal,
                "patas_pb_ano": 1e4 * len(e["meses"])
                * por_roll(medio_patas) / nominal}
pd.DataFrame(filas).T.round(2)

     rolls  libro_pb_ano  patas_pb_ano
RVA    4.0          1.21          2.23
TPC    4.0          4.51          8.74
PEC   12.0         16.85         28.74
GNA   12.0         17.79         30.71
MTO    6.0          2.96          5.06
GRM    5.0         36.70         65.32

Por roll se paga media horquilla y dos comisiones (una por pata). Al año, con los rolls de cada mercado y el nominal del 26 de noviembre de 2025: 1,21 puntos básicos en RVA con el libro (2,23 por patas), 16,85 en el crudo (28,74), 17,79 en el gas (30,71) y 36,70 en el maíz (65,32). En los índices es irrelevante; en un mercado con contratos pequeños, tick caro y doce rolls al año, el roll es un coste fijo de mantener la posición que un backtest sin costes de roll no ve (lección 2.4.7).

Rodar antes o después

Con el roll se elige también en qué punto de la curva estar. Rodar antes significa tener un contrato más lejano:

def serie_con_roll(mercado, antes):
    """Rendimientos del contrato que se tiene si se rueda `antes`
    sesiones antes del primer aviso (o del vencimiento)."""
    c = curvas[curvas["mercado"] == mercado]
    P = c.pivot(index="fecha", columns="contrato",
                values="liquidacion")
    cm = ctr[ctr["mercado"] == mercado].reset_index(drop=True)
    ref = cm["primer_aviso"].fillna(cm["vencimiento"])
    p = P.index.searchsorted(ref.to_numpy()) - antes
    roll = P.index[np.clip(p, 0, len(P) - 1)].to_numpy()
    pos = np.searchsorted(roll, P.index.to_numpy(), side="right")
    pos = np.minimum(pos, len(cm) - 1)
    i = P.columns.get_indexer(cm["contrato"].to_numpy()[pos])
    f, Pv = np.arange(len(P)), P.to_numpy()
    ayer = np.r_[i[0], i[:-1]]
    r = np.log(Pv[f[1:], ayer[1:]] / Pv[f[1:] - 1, ayer[1:]])
    return pd.Series(r, index=P.index[1:]).loc["2011":]

vol = {m: {a: serie_con_roll(m, a).std() * np.sqrt(252)
           for a in (1, 5, 20, 40)} for m in ["RVA", "PEC", "GNA",
                                               "GRM"]}
(100 * pd.DataFrame(vol)).round(1)

     RVA   PEC   GNA   GRM
1   19.0  36.1  43.4  25.4
5   19.0  35.4  41.5  25.0
20  19.0  32.7  35.2  22.8
40  19.0  29.7  29.5  20.5

En el índice, la volatilidad es la misma (19,0 %) se ruede cuando se ruede: todos los vencimientos se mueven igual. En los mercados con efecto Samuelson (lección 3.1.2), rodar 40 sesiones antes baja la volatilidad del contrato que se tiene: del 43,4 % al 29,5 % en el gas, del 36,1 % al 29,7 % en el crudo, del 25,4 % al 20,5 % en el maíz. No es una mejora gratis: el contrato más lejano responde menos a lo que mueve el primero (otra apuesta), su carry es otro y su liquidez, menor (en energía, el siguiente contrato tiene volumen; en otros mercados, no). Lo que sí da la tabla es un aviso: la volatilidad de una serie depende de su regla de roll, y un sistema que dimensiona por volatilidad tiene que estimarla con la misma regla con la que opera.

Margen inicial y de mantenimiento

La lección 1.2.3 simuló una cuenta de margen con llamadas de margen. En los datos, cada mercado tiene tres márgenes:

m = esp.loc[MERCADOS, ["margen_inicial", "margen_mantenimiento",
                       "margen_spread_calendario"]]
m["inicial_sobre_mant"] = m["margen_inicial"] / m[
    "margen_mantenimiento"]
m["spread_sobre_inicial_pct"] = 100 * m[
    "margen_spread_calendario"] / m["margen_inicial"]
m.loc[["RVA", "TPC", "PEC", "GNA", "ELB", "MTO", "GRM"],
      ["margen_inicial", "inicial_sobre_mant",
       "margen_spread_calendario", "spread_sobre_inicial_pct"]
      ].round(2)

         margen_inicial  inicial_sobre_mant  margen_spread_calendario  spread_sobre_inicial_pct
mercado
RVA             20200.0                1.10                     610.0                      3.02
TPC              2700.0                1.08                     140.0                      5.19
PEC              5600.0                1.10                     670.0                     11.96
GNA              8500.0                1.10                    3300.0                     38.82
ELB              7300.0                1.11                    3200.0                     43.84
MTO              9600.0                1.10                     290.0                      3.02
GRM               840.0                1.11                     150.0                     17.86

• Inicial: lo que se deposita al abrir. En los datos es 1,1 veces el de mantenimiento (redondeado a la centena), una relación que existe en algunas cámaras para cierto tipo de cuentas; otras cámaras piden lo mismo de inicial que de mantenimiento y es el bróker el que añade su colchón.
• Mantenimiento: el mínimo por debajo del cual llega la llamada de margen.
• Spread de calendario: el margen de una posición larga en un mes y corta en otro del mismo mercado. Es una fracción del inicial: el 3 % en RVA y en el oro, donde los dos meses se mueven casi igual; el 38,8 % y el 43,8 % en el gas y la electricidad, donde la forma estacional hace que dos meses distintos se muevan de forma distinta.

SPAN: el margen como peor escenario

Las cámaras no suman márgenes de contratos sueltos: calculan el de la cartera entera con escenarios. El método clásico es SPAN, de CME, y otras cámaras usan variantes o métodos propios. BME Clearing describe el suyo para los derivados financieros de MEFF (MEFFCOM2) como «similar a un modelo SPAN»: evalúa la peor pérdida posible de la cartera en varios escenarios teóricos y solo compensa entre instrumentos con una correlación media igual o superior al 70 %. Eurex Clearing usa Prisma, que calcula el margen al nivel de la cartera agrupando los productos relacionados. La estructura de SPAN es la de este diagrama:

flowchart TB
  E[Escenarios] --> R[Riesgo de escaneo]
  R --> S[+ cargo spread]
  S --> C[− crédito]
  C --> M[Margen cartera]
  O[Mín. opc. vendidas] --> M

El riesgo de escaneo es la peor pérdida de la cartera en una rejilla de movimientos del precio (y, para las opciones, de la volatilidad), con un rango que fija la cámara por producto. Como mueve todos los meses de un mismo producto a la vez, un spread de calendario parece no tener riesgo: el cargo por spread lo corrige. El crédito entre productos reconoce que una posición larga en un producto y corta en otro correlado arriesga menos que las dos por separado. Un cálculo simplificado para futuros, con el margen inicial de la ficha como rango y una rejilla de movimientos de 0, ±1/3, ±2/3 y ±1 rangos (los parámetros son de esta lección, no los de una cámara real):

FRACCIONES = np.array([0, 1 / 3, -1 / 3, 2 / 3, -2 / 3, 1, -1])

def margen_escenarios(cartera, credito=0.0):
    """cartera: {contrato: número de contratos}. Cada mercado se
    mueve con su rango (el margen inicial de un contrato, en USD);
    todos los meses de un mercado, a la vez (correlación 1)."""
    por_mercado = {}
    for k, n in cartera.items():
        m = k[:3]
        por_mercado.setdefault(m, []).append(n)
    riesgo, cargo = {}, {}
    for m, ns in por_mercado.items():
        rango = esp.loc[m, "margen_inicial"]
        pyg = np.outer(FRACCIONES, ns).sum(axis=1) * rango
        riesgo[m] = max(0.0, -pyg.min())          # peor escenario
        largos = sum(n for n in ns if n > 0)
        cortos = -sum(n for n in ns if n < 0)
        cargo[m] = min(largos, cortos) * esp.loc[
            m, "margen_spread_calendario"]        # meses no iguales
    total = sum(riesgo.values()) + sum(cargo.values())
    # crédito entre mercados: fracción del menor riesgo de cada par
    if credito and len(riesgo) == 2:
        total -= credito * min(riesgo.values())
    return {"escenarios": float(sum(riesgo.values())),
            "cargo_spread": float(sum(cargo.values())),
            "total": float(total)}

for nombre, c in {"largo 2 PECF26": {"PECF26": 2},
                  "largo F26, corto G26": {"PECF26": 1,
                                           "PECG26": -1},
                  "largo 2 F26, corto 1 G26": {"PECF26": 2,
                                               "PECG26": -1}}.items():
    print(f"{nombre:26s}", margen_escenarios(c))

largo 2 PECF26             {'escenarios': 11200.0, 'cargo_spread': 0.0, 'total': 11200.0}
largo F26, corto G26       {'escenarios': 0.0, 'cargo_spread': 670.0, 'total': 670.0}
largo 2 F26, corto 1 G26   {'escenarios': 5600.0, 'cargo_spread': 670.0, 'total': 6270.0}

Dos contratos largos de crudo piden 11.200 USD, dos rangos. Largo en enero y corto en febrero, el escaneo no ve riesgo (los dos se mueven igual en cada escenario) y el margen es el cargo de spread, 670 USD: un 6 % de lo que pediría una posición suelta de dos contratos. Dos largos y un corto quedan en un largo neto (5.600) más un spread (670). Es la razón por la que los spreads de calendario se operan con mucho menos margen (lección 3.2.1), y también la razón por la que su apalancamiento puede ser engañoso: el cargo de spread cubre movimientos normales de la pendiente, no un estrechamiento extremo de la oferta en el mes cercano.

cartera = {"RVAH26": 1, "RVBH26": -1}
sin = margen_escenarios(cartera)
con = margen_escenarios(cartera, credito=0.5)
print("sin crédito:", sin["total"], " con un 50 %:", con["total"])

sin crédito: 44900.0  con un 50 %: 34800.0

Un largo en RVA y un corto en RVB (dos índices con una correlación de 0,91 en los datos) piden 44.900 USD si se suman como dos riesgos independientes. Con un crédito del 50 % del menor (un valor de ejemplo: en la realidad lo fija la cámara para cada par de productos y lo revisa), 34.800. El crédito existe porque la cámara reconoce que las dos patas se compensan en casi todos los escenarios; no desaparece el riesgo de que dejen de hacerlo.

Márgenes en una crisis

El rango de escaneo no es fijo: las cámaras lo revisan con la volatilidad reciente, y en una crisis lo suben. Los datos tienen márgenes constantes (calibrados con el último año), así que para ver el efecto hay que simular una regla. El README de los datos dice que los márgenes cubren entre 3 y 10 desviaciones típicas diarias del nominal, 5,3 en RVA. Una regla que mantiene esas 5,3 con la volatilidad de las últimas semanas:

def serie(mercado):
    c = curvas[curvas["mercado"] == mercado]
    P = c.pivot(index="fecha", columns="contrato",
                values="liquidacion")
    cm = ctr[ctr["mercado"] == mercado].reset_index(drop=True)
    pos = np.searchsorted(cm["fecha_roll"].to_numpy(),
                          P.index.to_numpy(), side="right")
    i = P.columns.get_indexer(cm["contrato"].to_numpy()[pos])
    f, Pv = np.arange(len(P)), P.to_numpy()
    ayer = np.r_[i[0], i[:-1]]
    r = np.r_[np.nan, np.log(Pv[f[1:], ayer[1:]]
                             / Pv[f[1:] - 1, ayer[1:]])]
    return pd.DataFrame({"precio": Pv[f, i], "ret": r},
                        index=P.index)

rva = serie("RVA")
nominal = rva["precio"] * esp.loc["RVA", "multiplicador"]
K = 5.3                      # desviaciones diarias (README de datos)
dinamico = K * rva["ret"].ewm(span=20).std() * nominal
t = dinamico.loc["2019-12-01":"2020-12-31"]
print(t.resample("ME").agg(["min", "max"]).round(-2).iloc[:7])
print(f"máximo / enero: {t.max() / t.loc['2020-01'].mean():.1f}")

                min      max
fecha
2019-12-31   4800.0   7200.0
2020-01-31   4100.0   5900.0
2020-02-29   5200.0  11900.0
2020-03-31  10200.0  32600.0
2020-04-30  16300.0  33400.0
2020-05-31  14700.0  23900.0
2020-06-30  13600.0  17300.0
máximo / enero: 6.7

En enero de 2020 la regla pide entre 4.100 y 5.900 USD por contrato; en marzo, hasta 32.600, y el máximo, el 1 de abril, es 6,7 veces la media de enero. Después baja despacio: en junio sigue entre 13.600 y 17.300, porque la volatilidad tarda en olvidarse. Los márgenes de las cámaras reales no siguen esta regla exacta, pero tienen el mismo defecto de fondo: son procíclicos. Suben cuando hay pérdidas, y un sistema que en calma usa casi todo su efectivo como margen recibe a la vez las llamadas por las pérdidas y las subidas del margen. Si no puede aportar, reduce posiciones en el peor momento.

Apalancamiento implícito de una cartera diversificada

Un sistema diversificado (lección 3.1.4) da el mismo riesgo a cada mercado. Con 5 millones de USD, un 20 % de volatilidad objetivo y el multiplicador de diversificación de 2,5 que se calcula en esa lección, las posiciones del 26 de noviembre de 2025, en nominal y en margen:

CAPITAL, RIESGO = 5_000_000, 0.20
filas = {}
for m in MERCADOS:
    s = serie(m)
    cambio = usd_qev[DIA] if esp.loc[m, "divisa"] == "QEV" else 1
    nominal = s.loc[DIA, "precio"] * esp.loc[m, "multiplicador"] \
        * cambio
    vol = s["ret"].loc[:DIA].tail(252).std() * np.sqrt(252)
    # IDM de 2,5 (lección 3.1.4) y el mismo peso a cada mercado
    n = np.round(2.5 / len(MERCADOS) * CAPITAL * RIESGO
                 / (nominal * vol))
    filas[m] = {"sector": esp.loc[m, "sector"], "contratos": n,
                "nominal": n * nominal,
                "margen": n * esp.loc[m, "margen_inicial"] * cambio}
cart = pd.DataFrame(filas).T.infer_objects()
por_sector = cart.groupby("sector")[["nominal", "margen"]].sum()
print((100 * por_sector / CAPITAL).round(1))
print("total:", (100 * por_sector.sum() / CAPITAL).round(1).to_dict())

           nominal  margen
sector
agricolas     41.6     2.4
divisas       27.3     0.5
energia       28.4     2.6
indices       58.0     3.3
metales       25.9     1.4
tipos        244.9     4.4
total: {'nominal': 426.0, 'margen': 14.7}

El nominal de la cartera es el 426 % del capital: un apalancamiento de 4,3 veces. Más de la mitad, el 244,9 % del capital, son bonos, porque un bono se mueve tan poco que hace falta mucho nominal para que aporte el mismo riesgo que un índice. El margen es el 14,7 % del capital. La figura de la cabecera pone los dos números por sector.

Ninguno de los dos mide el riesgo de la cartera. El apalancamiento nominal mezcla un 245 % en bonos que se mueven un 6 % al año con un 28 % en energía que se mueve un 35 %. El margen es lo que pide la cámara para cubrir uno o dos días malos, y cambia con su regla. El riesgo es el que se fija con el tamaño de cada posición (un 20 % anual de objetivo) y lo que no captura la volatilidad: que los bonos caigan todos a la vez, como en la cartera de carry de 2022 de la lección 2.3.4, o que las correlaciones cambien en una crisis. Por eso un sistema de futuros se gestiona en riesgo, con escenarios de estrés, y el margen se vigila como restricción de liquidez.

Ejercicios

1. Calcula con margen_escenarios el margen de una mariposa de calendario en el crudo (largo 1 PECF26, corto 2 PECG26, largo 1 PECH26). ¿Qué cargo de spread le aplica la función y por qué es probablemente demasiado alto?

print(margen_escenarios({"PECF26": 1, "PECG26": -2, "PECH26": 1}))

{'escenarios': 0.0, 'cargo_spread': 1340.0, 'total': 1340.0}

2. Repite la regla de margen dinámico de 2020 con una media exponencial de 60 sesiones en lugar de 20. ¿Sube menos? ¿Baja antes o después?

lento = K * rva["ret"].ewm(span=60).std() * nominal
t60 = lento.loc["2019-12-01":"2020-12-31"]
print(t60.resample("ME").agg(["min", "max"]).round(-2).iloc[:7])
print(f"máximo / enero: {t60.max() / t60.loc['2020-01'].mean():.1f}")

                min      max
fecha
2019-12-31   7100.0   8200.0
2020-01-31   6200.0   7100.0
2020-02-29   6200.0  10000.0
2020-03-31   9800.0  35600.0
2020-04-30  34700.0  39200.0
2020-05-31  32600.0  38200.0
2020-06-30  26900.0  32700.0
máximo / enero: 6.0

3. Con la tabla cart, ¿qué pasaría con el margen total si la cámara duplicara el margen de los cinco bonos? ¿Y si lo duplicara en los cinco índices? ¿Qué te dice sobre dónde está la exposición de margen de la cartera?