UNIVERSIDAD NACIONAL DEL CENTRO DEL PERU Facultad de Economía

Proyecto de Investigación

ESPERADO EN LA INVERSION EN LA BOLSA DE VALORES DE LIMA DE LOS SECTORES: BANCOS, MINERAS, SERVICIOS Y DIVERSAS”

“RIESGO

FECHA DE INICIO : Julio de 2008 FECHA DE CULMINACIÓN : Julio de 2008 EJECUTORES APELLIDOS Y NOMBRES Cano Basilio, Noemí Martínez Chanca, Smith Porta Velásquez, Elías : OCUPACIÓN Estudiante Estudiante Estudiante FIRMA

CATEDRÁTICO

: Jesús Chávez Villarroel

FACULTAD DE ECONOMIA

Huancayo, Julio del 2008

DEDICATORIA
El presente proyecto de investigación realizado con gran esfuerzo, esta dedicado a todo aquel personaje que impulsa el mercado financiero y que prevé sus riesgos.

UNCP-2008

2

FACULTAD DE ECONOMIA

INTRODUCCIÓN
El riesgo es la posibilidad de afrontar pérdidas en bienes o personas como resultado de la ocurrencia de un cambio. Esto conduce a definir como característica propia del riesgo el ser objetivo y cuantificable, lo cual lo distingue de la incertidumbre que por el contrario es subjetiva y no cuantificable. El reconocimiento de la existencia del riesgo conduce inevitablemente a los conceptos de previsión y de prevención, los cuales se refieren a las medidas que se toman para evitar la materialización de un riesgo al cual se está expuesto y a los pasos a seguir en caso de que el riesgo se convierta en la ocurrencia de un cambio adverso. El desarrollo de la actividad comercial al mismo tiempo que dio origen al desarrollo de la actividad bancaria y a esquemas de financiamiento cada vez más complejos, inevitablemente condujo a la posibilidad de afrontar pérdidas por variaciones en precios de bienes y del valor de las monedas. Hoy en día, la presencia en la vida cotidiana de los mercados financieros es inocultable; los espacios en los cuales se comercializan bonos gubernamentales, acciones de industria y comercio, futuros sobre bienes u opciones sobre tasas; influyen en la vida cotidiana de la población mundial. Dicho en otras palabras, la cobertura de riesgos ha estado altamente relacionada con los actuales mercados financieros desde el origen de éstos. Así, la marcada tendencia a la globalización que ha experimentado la economía mundial en los últimos años ha generado cambios de suma importancia en los sistemas financieros. Esta transformación se ha venido manifestando a través de: la mayor movilidad de los recursos financieros, el incremento en la volatilidad de los mismos y la creciente diversificación de instrumentos financieros. Como consecuencia de estos cambios, los sectores que participan en el sistema financiero han experimentado una mayor exposición ante los riesgos generados por este mercado. La transformación experimentada por el sistema financiero ha ocasionado que las compañías se encuentren expuestas a diferentes tipos de riesgos que pueden afectar su operación y resultados. El conocer estos riesgos así como el contar con elementos que permitan evaluar el posible
3

UNCP-2008

FACULTAD DE ECONOMIA impacto que pueden causar a la empresa es indispensable para prevenirlos o bien para tomar las medidas adecuadas para minimizar las pérdidas potenciales. Entre los distintos tipos de riesgo financiero que inciden sobre su actividad podemos encontrar el: riesgo de mercado, riesgo de crédito, riesgo de liquidez, riesgo operacional y riesgo legal. El objetivo del presente proyecto de investigación es enfatizar la importancia que tienen los sistemas de administración de riesgos financieros como instrumentos que permitan a las compañías minimizar las posibles pérdidas en los mercados financieros como no financieros y que a la vez les permitan enfocarse en el desarrollo de ventajas competitivas para dentro de sus respectivos sectores.

UNCP-2008

4

FACULTAD DE ECONOMIA

RESUMEN
La marcada tendencia a la globalización que ha experimentado la economía mundial en los últimos años ha generado cambios de suma importancia en los sistemas financieros, y como consecuencia de estos cambios, los sectores que participan en el sistema financiero han experimentado una mayor exposición ante los riesgos generados por este mercado. La transformación experimentada por el sistema financiero ha ocasionado que las compañías se encuentren expuestas a diferentes tipos de riesgos que pueden afectar su operación y resultados. Pero al conocer estos riesgos así como el contar con elementos que permitan evaluar el posible impacto que pueden causar a la empresa es indispensable para prevenirlos o bien para tomar las medidas adecuadas para minimizar las pérdidas potenciales. El objetivo del presente proyecto de investigación es enfatizar la importancia que tienen los sistemas de administración de riesgos financieros como instrumentos que permitan a las compañías minimizar las posibles pérdidas en los mercados financieros como no financieros y que a la vez les permitan enfocarse en el desarrollo de ventajas competitivas para dentro de sus respectivos sectores. Para cumplir con el objetivo del proyecto, en gran parte del mismo se proporcionan definiciones y parte del marco teórico relevante para comprender la necesidad de la administración de riesgos de tipo financiero. Posteriormente, se realiza un análisis del comportamiento histórico de algunas variables financieras y los efectos que estas generan sobre el desempeño de las entidades financieras. Más adelante, se realiza una descripción de la herramienta más conocida en la administración de Riesgo de Mercado: el Valor en Riesgo (VaR). En este apartado, se pone énfasis en el hecho de que si bien dicha herramienta es relativamente conocida, no ha terminado de ser plenamente comprendida, por lo que se realiza una rápida descripción de la metodología de su estimación, sus alcances y limitaciones. Por último, este proyecto presenta los puntos más relevantes como conclusiones de los elaboradores y así mismo ciertas recomendaciones para mejorar la situación de un riesgo financiero.

UNCP-2008

5

de los cuales los más resaltantes son: Bancos.2. entre otras. Y existen también determinados sectores de actividades económicas que influyen en el comportamiento del mercado financiero.1. la tasa de interés y el comportamiento del mercado accionario. así mismo el conjunto de las entidades financieras. A continuación un recuento de los riesgos y ventajas de invertir en un bolsa con tendencia bajista. que puede empeorarse si el periodo bajista se alarga por más de dos años. El presente proyecto de investigación esta orientado a analizar los efectos que estos generan sobre el mercado financiero. JUSTIFICACIÓN DEL PROBLEMA: La inversión en bolsa de valores no siempre presagia malos momentos o buenos momentos para invertir. experimentan un nivel de riesgo. con el fin de proporcionar un análisis más ordenado que contribuya en lo posible a controlar un riesgo financiero. 1. Servicios y Diversas. UNCP-2008 6 . Mineras.FACULTAD DE ECONOMIA I. PLANTEAMIENTO DEL PROBLEMA: En la realidad de nuestra economía. Pocos saben que también trae consigo muchas ventajas y desventajas. el mercado financiero actualmente se ha ido incrementado. muchos expertos recomiendan desde muchísima precaución hasta la abstención o reducción del capital invertido. en la labor que realizan. Los riesgos que trae consigo son indiscutibles. pues los peligros más comunes son:  Pérdida o disminución de la inversión. DESCRIPCION DEL PROYECTO 1. Existe una constante interacción entre variables financieras que se ven mayormente afectadas en los periodos de crisis como son: el tipo de cambio.

la actuación negativa de las principales bolsas de valores del mundo.4 % por ejemplo en el lapso señalado. Bancos. Ademas satisfacer inquietudes del publico en general. etc. MIneria. Entre los probables factores explicativos de esta caída sobresalen el descenso de los precios internacionales de los metales.4 nuevos soles hasta el 15 del mismo mes (ayer).4.Con lo cual el índice acumuló una disminución del 10. su capital se le redujo a 89. OBJETIVO: a) OBJETIVO GENERAL:  Analizar el riesgo implícito en una inversión financiera o llamado también la perdida esperada en un portafolio financiero. lo cual es sustancialmente menor. En tal sentido este trabajo ha sido realizado con el objeto de Realizar algunos análisis de inversión en bolsa de valores de las empresas de los diferentes sectores. Servicios. Por ejemplo pierde ayer un 2 %.FACULTAD DE ECONOMIA  Bajas ventas como consecuencia de la falta de liquidez. por cuanto en la BVL el sector minero tiene una presencia preponderante.  Inversiones estancadas y menos oportunidades de inversión. este amenazador resultado significa que si un inversionista apostó 100 nuevos soles un día antes del primero de mes pasado. El caso es que el Índice General de la BVL -el más importante del mercado bursátil limeño y del Perú. 1. b) OBJETIVO ESPECIFICO: UNCP-2008 7 . vender con una marcada tendencia bajista es casi imposible. Viéndolo didácticamente. es decir. FORMULACION DEL PROBLEMA: a) PROBLEMA GENERAL:  ¿Cuál es el riesgo implícito en una inversión financiera o llamado también la perdida esperada en un portafolio financiero? pérdida esperad b) PROBLEMA ESPECIFICO:  ¿Cuál es el comportamiento dinámico de cada sector de inversión financiera?  ¿Cuáles son las variables causantes de riesgo financiero en una inversión?  ¿Cual es el sector de inversión financiera que esta más propensa a sufrir un riesgo? 1.6 nuevos soles. y ante el nebuloso panorama asociado a la crisis del sector inmobiliario norteamericano que es un dolor de cabeza dentro y fuera de ese país.3. perdió 10.

1.  Determinar las perdidas esperadas en un portafolio financiero. Software Microsoft Excel. MATERIALES: Los materiales e instrumentos que se emplearan en el proceso del presente proyecto de investigación son los siguientes:     Base de datos de indicadores bursátiles. puesto que el Valor en Riesgo es un método para cuantificar la perdida que se podría sufrir en condiciones normales de mercados. para detectar si el efecto de un factor asociado explica la influencia del cambio sobre la variable relacionada. 1.8.7. utilizando técnicas estadísticas tradicionales.  Hallar las variables causantes de riesgo financiero en una inversión y analizar el comportamiento de cada una de ellas.FACULTAD DE ECONOMIA  Verificar el supuesto de heterocedasticidad de la serie. DISEÑO METODOLOGICO: a) POBLACION: La población de estudio del presente proyecto de investigación esta orientada a todas las entidades financieras registradas por la SBS. De ello que este es una medida estadística de riesgo utilizada frecuentemente por instituciones que desean medir los riesgos en portafolios de inversión. 1. b) MUESTRA: UNCP-2008 8 . descriptivo. METODOLOGÍA: Parta el presente proyecto de investigación se utilizara una metodología que vincula el enfoque: cuantitativo. METODOS: El principal método que se va ah emplear para desarrollar el presente proyecto de investigación es el VaR. Software SPSS. Software eviews.5. De esta manera poder aplicar un análisis mediante la prueba estadística. es decir observar el comportamiento de la varianza de esta.6. 1. diagnostico y explicativo.

el análisis técnico era una herramienta ampliamente empleada en el estudio de valores. Autor: Comisión Nacional De Valores. III. 1 www. La rentabilidad obtenida era la variable de decisión.edesclee. se encontró lo siguientes: RIESGO. MARCO TEORICO: 2. por la otra. tal es así. el análisis de las inversiones bursátiles. 2006.pdf 2 UNCP-2008 9 . y en general.cnv.FACULTAD DE ECONOMIA La muestra para el presente proyecto de investigación se toma en función del tiempo y espacio.gob.ve/documentos/artespeciales/marzo2006/articuloespecial_1_22032006. A principios del siglo XX. Autor: Fuensanta Galán Herrero. sino basados en el estudio de los estados financieros de las empresas y del sector en el que desarrollan su actividad. Por una parte. RENTABILIDAD Y EFICIENCIA DE CARTERAS DE VALORES.2 El mercado de capitales es un elemento fundamental para el crecimiento económico de un país. permite a las empresas y al Estado obtener fondos del público con la finalidad de financiar sus actividades económicas y sociales.1 Hasta los años cincuenta. Precisamente esta depresión hizo notar la necesidad de tomar decisiones de inversión en bolsa con criterios no especulativos. y el análisis fundamental había cobrado gran importancia a raíz de la gran depresión del 29. y.pdf www. ofrece a los inversores individuales e institucionales diversos tipos de títulos valores para diversificar sus inversiones ajustándose a sus preferencias de riesgo y rendimiento esperado.1. se realizaba tomando como variable de decisión la rentabilidad que el título y/o la cartera habían producido en periodos anteriores. en bienestar económico y social.com/Pdf/19031. generación de empleos. que este trabajo se desarrollara con una base de datos mensuales obtenida en los Índices Bursátiles de la Bolsa de Valores del Perú de los años 1998 al 2008 haciendo un total de 113 observacione. con el objetivo de seleccionar los valores idóneos para invertir en ellos. En la selección de valores subyacía la hipótesis de certeza. EL MERCADO VELEZOLANO DE CAPITALES ES SEGURO Y TRANSPARENTE. lo cual se traduce en mayor producción de bienes y servicios. 2000. no quiere ello decir que fuese la única variable de estudio en el análisis de inversiones bursátiles. sin tener en cuenta el riesgo inherente a la inversión. ESTADO DEL ARTE: Después de una revisión de trabajos relacionados al nuestro.

Si se invierte bien se está asegurando el futuro.isppd. alcanzando precios espectaculares las acciones que cotizan de diversos sectores. comisionistas de bolsa. 2003. invertir es seguramente la mejor manera de lograrlo. que lamentablemente en el segundo semestre del mismo año con la crisis asiática el mercado se vino abajo y de 50 Sociedades Agentes de Bolsa. Autor: Carlos Raúl CONGONA REVILLA. Pero para ello es aconsejable que se tome tiempo para pensar un poco e informarse.pdf 4 5 www. En cambio.FACULTAD DE ECONOMIA INVERSIONES EN ACCIONES Y PORTAFOLIOS DE INVERSIÓN. en Colombia las inversiones en este sector son riesgosas.3 Si el objetivo es que el capital financiero se incremente. En el año 1. firmas de abogados y personas naturales. los ciclos económicos se repiten y eso es lo que pasa con nuestra economía que no escapa a estos ciclos.4 Aunque los altos precios de los commodities en los mercados internacionales hacen más rentable las actividades relacionadas con la minería. Autor: Arturo Morales Castro.imcportal.net/finan/invpregclav. Autor: Representante general de IMC.pdf UNCP-2008 10 . fiduciarias. solo 3 www. si se prefiere una inversión más segura. SECTOR FINANCIERO PERCIBE RIESGO EN INVERSIONES MINERAS.5 Tal como parece. LA BOLSA DE VALORES DE LIMA: LA MÁS RENTABLE DEL MUNDO. Esta es una de las principales conclusiones de una encuesta hecha por el Ministerio de Minas y Energía entre entidades bancarias. las ganancias que se pueden esperar son menores. aseguradoras. fondos de pensiones. bancas de inversión. fondos de capital privado. 12 de Junio del 2008.joseacontreras. entre ellos la posibilidad de perder parte de los ahorros. porque se incrementan los ahorros. en el primer trimestre de ese año los precios en especial de las empresas mineras subieron impulsados por los precios internacionales de los metales. Si se busca que la inversión sea muy rentable se van a correr muchos riegos.pdf www. 2006.net/publicaciones/PUBLICACION_BOLSA%20DE %20VALORES_CARLOS_CONGONA_REVILLA.com/newsfiles/20080615031218.997 hubo un Boom de la Bolsa de Valores de Lima.

jsp?document=38361&property=attachment&index=4&content UNCP-2008 11 . b) Tipos de riesgo:  Riesgo de liquidez El autor parte de la violación de los supuestos y llega a una definición de riesgos de liquidez.cl/download. así como una apropiada regulación del sistema financiero.En esta ocasión nos centraremos en las medidas de riesgo financiero que han sido propuestas en los últimos diez años. 2. los rendimientos compuestos continuamente y los modelos para estimar el comportamiento de los rendimientos. TEORIAS METODOLOGICAS: a) Riesgos en las instituciones financieras Donde se hace una definición de las funciones de intermediación y se analizan: los tipos de riesgos. la aplicación de la distribución normal. Aunque este es un tema eminentemente técnico. llegando los índices bursátiles a los siguientes niveles de rentabilidad MEDIDAS DEL RIESGO FINANCIERO. El objetivo de esta serie de documentos es presentar los últimos avances en materia de administración de riesgos financieros y sus lecciones para empresas que participan en economías emergentes como la chilena . Capital Asset Pricing Model (CAPM) y Arbitrage Pricing Theory (APT). Autor: Rafael Romo Meza.facea. sin embargo tiene profundas implicancias prácticas. una definición formal del riesgo.uchile.2. El análisis plantea la estimación del VaR ajustado por el riesgo de 6 www. Los que guardaron las acciones desde esa época hoy puede tener tranquilidad porque nuevamente la Bolsa de Valores de Lima ha marcado records históricos en sus cotizaciones.2000. Concluye con modelos de portafolio. el principio de diversificación.FACULTAD DE ECONOMIA quedaron la mitad.6 Este trabajo es una continuación del artículo “Definiendo un Programa de Administración de Riesgos Financieros” aparecida en la edición Nº 148 de esta misma revista. U chile. Una apropiada medición de riesgos es fundamental para una correcta gestión de riesgo de las empresas.

000 con un 95% de nivel de confianza. Es una medida estadística de riesgo utilizada frecuentemente por instituciones que desean medir los riesgos en portafolios de inversión. solamente 1 día de cada 20 días de operación del mercado (1/20 = 5%). El Valor en Riesgo mide la pérdida que se podría sufrir en condiciones normales de mercado en un intervalo de tiempo y con un cierto nivel de probabilidad o de confianza. clasificación de los riesgos operativos.FACULTAD DE ECONOMIA liquidez. importancia del riesgo operativo. en condiciones normales. ejemplos de quebrantos a causa de eventos operativos. utilizando técnicas estadísticas tradicionales. En otras palabras.  Riesgo de crédito 7 Este capitulo parte de la definición y la naturaleza del problema. medidas de comportamiento ajustadas por riesgo.com/pr06. podría establecer que el VaR diario de su portafolio es $250. c) Valor en Riesgo (VaR)8: Es un método para cuantificar la exposición al riesgo de mercado. el "spread" y el horizonte de inversión según Basilea y en la elección óptima del horizonte de inversión.htm UNCP-2008 12 . estimación del riesgo operativo. el riesgo de liquidez. concluyenndo con otras aproximaciones.00.  Riesgo operativo Definición. Analiza los modelos para estimar el riesgo de crédito: el modelo paramétrico.000. el modelo binominal de riesgo neutral y modelos de probabilidad de incumplimiento condicional. un inversionista que tiene un portafolio de activos por un valor de 10 millones de pesos. un modelo de riesgo operativo. Por ejemplo.riesgofinanciero. CreditMetrics. la pérdida que ocurrirá puede ser igual o mayor a $250. 7 8 http:publicaciones/TEXTOS/riesgo.htm http://www. control del riesgo operativo. Credit Risk +.

com/0424LibroVaRcsc. ajuste de la curva de rendimiento y métodos de interpolación [interpolación lineal. Modelos Delta-Gamma. Si el sesgo es igual a cero. Modelo DeltaVaR].riesgofinanciero. Además este 9 http:www. El caso de kurtosis excesiva indica que hay una mayor probabilidad de que los retornos observados estén más alejados de la media que en una distribución normal. d) Modelos de valor en riesgo de mercado: Donde se analizan: modelos de simulación histórica. "mapping" de RiskMetrics. si el sesgo es positivo la distribución una tendrá una cola asimétrica extendida hacia los valores positivos. elección de los factores de riesgo. y modelos teóricos de la estructura intertemporal de tasas de interés] y estimación del valor en riesgo. e) Estimación del VaR de los instrumentos financieros y derivados9: Donde se analizan: acciones. Concluye con otras aproximaciones incluyendo la aplicación de Duración y Convexidad. Un sesgo negativo indica una distribución con una cola asimétrica extendida hacia los valores negativos. Leptokurtosis se denomina al atributo de una distribución con muy altos índices de kurtosis. Skewness o sesgo: Medida estadística que describe la simetría de la distribución alrededor de un promedio.FACULTAD DE ECONOMIA Kurtosis es una medida estadística que describe el apuntamiento o achatamiento de una cierta distribución con respecto a una distribución normal. la distribución es simétrica. y la negativa indica una distribución relativamente achatada. divisas. adecuaciones al modelo de portafolio [ Modelos de Mezcla de Normales. "alambrada". instrumentos de deuda o de renta fija. En una distribución normal la kurtosis es igual a 3. clases de instrumentos de deuda. modelos de portafolio o de varianza-covarianza. La kurtosis positiva indica una distribución relativamente apuntada. modelos de simulación de Monte Carlo ( explicando los modelos para simular el comportamiento de los precios y los métodos para generar números aleatorios además de describir procedimientos para simular el comportamiento de variables correlacionadas a partir de variables aleatorias usando análisis de los componentes principales y aplicando la factorización de Cholesky). regresión. UNCP-2008 13 . a los valores mayores a 3 se los llama kurtosis excesiva.

Si las empresas usan distintos métodos de cálculo para el mismo portafolio pueden llegar a distintos números de VaR. MARCO CONCEPTUAL: a)Volatilidad 10 http:rromero@negocios. Como ya fue mencionado. "forwards" y "swaps". Por medio del uso de un factor multiplicativo. Finalmente. Esta simpleza explica el gran auge de VaR aplicada para distribuciones normales. que es una función del nivel de confianza. El problema de VaR radica en que no es posible sostener que la distribución de los retornos para la mayoría de los activos se comporte normal.FACULTAD DE ECONOMIA capítulo tiene secciones específicas sobre: futuros.A continuación desarrollaremos un ejemplo para determinar VaR cuando el portafolio está formado por dos activos y los retornos son normales. VaR puede ser derivado directamente de la desviación estándar del portafolio. simulación histórica y simulación de Monte Carlo. 2. f) VaR para Distribuciones Normales10: Si la distribución puede ser supuesta como normal. el cálculo es simplificado en forma considerable. Los tres métodos más comunes de cálculo de VaR son: correlación. sino que en general presentan sesgo (skewness). comentarios sobre las limitaciones del modelo de Black & Scholes y la elección del modelo de valor en riesgo. si la distribución de retornos es normal o distribución-t. Todos los métodos utilizan parámetros derivados de datos de precios históricos y valoran el portafolio en el período siguiente. Hay ventajas y desventajas en cada método de cálculo y no hay la mejor forma de hacerlo. en este caso C es 2. leptocurtosis y/o colas anchas. Por lo tanto.325. Hay una gran variedad de formas en que puede ser calculado VaR. Para reportar VaR a un 99% de nivel de confianza.3.cl 14 UNCP-2008 . C. el 1% de probabilidad de la cola izquierda de una distribución normal puede ser encontrada de una tabla normal estándar. VaR cumple con las propiedades de coherencia de las medidas de riesgo. cuando se utiliza VaR es importante considerar el método de cómputo y la significancia estadística de los resultados. Para mayor detalle sobre todos los métodos para calcular VaR se puede consultar al autor del artículo o bien consultar el libro de Hull (2003).uchile. la sección sobre opciones incluye la elección del modelo y parámetros de valuación. El resultado clave es que VaR es proporcional a la desviación estándar.

indicadores de concentración y backtesting]. Medidas de comportamiento ajustadas por riesgo Donde. un nivel de confianza estadístico y un plazo temporal. Además enfoca la comparación de los modelos de volatilidad y la volatilidad implícita. para concluir la obra. promedios móviles ponderados exponencialmente y otros modelos. correlación lineal constante. se tratan los indicadores de riesgo-rendimiento. Este capítulo concluye tratando la correlación implícita y la correlación no lineal. promedios móviles.FACULTAD DE ECONOMIA Donde el autor plantea la relevancia de la volatilidad en la estimación del valor en riesgo.1. modelos ARMA y GARCH. la agregación de riesgos y la importancia de la aplicación del Valor en Riesgo en las instituciones no financieras. factores ARCH. la probabilidad matemática asociada a la ocurrencia media de un fenómeno multiplicada por el valor económico de ese fenómeno. hace una definición y define las principales características de la volatilidad. una expectativa o esperanza matemática de pérdidas. esto es. Analiza las características de modelos para estimar la volatilidad: estimación paramétrica.Método de promedios móviles . modelos multivariados)]. la precaución necesaria en la estimación de los rendimientos ajustados por riesgo y los criterios necesarios para la instrumentación de un modelo de asignación de capital. La información que arrojan los modelos VaR consiste por tanto en una cifra de pérdidas pecuniarias máximas asociada a una probabilidad numérica de ocurrencia. La implicación final del cálculo VaR es informar sobre la probabilidad de que una empresa financiera sufra pérdidas económicas de gran UNCP-2008 15 . escalar GARCH.Promedios móviles ponderados exponencialmente . Control integral de riesgos Acá se enfocan los requerimientos de un sistema integral de indicadores de riesgo [considerando sobre todo eventos extremos. b) Correlaciones Donde se inicia el análisis con adecuadas advertencias y se enfocan los modelos para estimar la correlación [Estimación paramétrica . DISEÑO ECONOMÉTRICO DE LOS MODELOS DE «VALOR EN RIESGO» (VaR) El valor en riesgo se define técnicamente como una medida probabilística.Modelos GARCH(GARCH1.

El cálculo del valor en riesgo de una cartera de inversiones se plantea en la práctica como un problema de supercomputación matemática: la estimación de un conjunto de parámetros estadísticos estables en el interior de una matriz gigantesca de covarianzas estadísticas entre movimientos de precios bursátiles.FACULTAD DE ECONOMIA magnitud en sus posiciones financieras abiertas en el mercado a causa de una variación súbita en los precios de mercado de los distintos activos. que consta de dos pasos. por tanto. una sección muestral del comportamiento a largo plazo de los mercados que permita estimar una serie de tendencias estadísticas robustas en relación con (a) las cotizaciones medias (b) sus volatilidades (c) sus correlaciones Estos tres tipos de estadísticos muéstrales constituyen las variables objeto de tratamiento analítico dentro de un modelo econométrico neoclásico generalizado. En primer lugar es necesario disponer de una amplia base de datos históricos de carácter numérico. El procedimiento más empleado para el cálculo de cifras VaR es el llamado método histórico. de crítica. por ello su análisis se determina por el grado de apalancamiento financiero que tenga la empresa en un momento determinado. a) RIESGO FINANCIERO: El riesgo financiero es el riesgo de no estar en condiciones de cubrir los costos financieros. un modelo de valoración competitiva de activos financieros que obedece al consabido principio del análisis media-varianza de la teoría financiera neoclásica. pues el significado del numerito en cuestión depende una red subterránea de supuestos y premisas teóricas de base susceptibles de variación y. b) LIQUIDEZ : Naturaleza de ciertos activos por la que son transformables en dinero efectivo de forma inmediata UNCP-2008 16 . Este cálculo no está exento de controversia. Se trata de reducir a una única cifra que contiene una muestra histórica de grados de sincronización temporal entre (a) las desviaciones medias de la rentabilidad esperada de un activo financiero individual (b) las de todos y cada uno de los miles de activos alternativos que coexisten con él en el mercado.

g) RUIDO BLANCO: El ruido blanco es una señal aleatoria (proceso estocástico) que se caracteriza porque sus valores de señal en dos instantes de tiempo diferentes no guardan correlación estadística. préstamos. i. En términos formales. salvo que pudiera demostrarse que se trata de importes que económicamente y no sólo jurídicamente. el pasivo y el patrimonio neto y. Las compañías extranjeras gravitan en función de su participación en el valor efectivo operado. el cual utiliza técnicas estadísticas estándar que se usan de maneta rutinaria en otros campos técnicos. e) ESTADO DE EVOLUCIÓN DEL PATRIMONIO NETO: Informa la composición del patrimonio neto y las causas de los cambios acaecidos durante los períodos presentados en los rubros que lo integran. explícito o implícito. y que no forman parte de los activos dedicados a la actividad principal de la empresa y las colocaciones efectuadas en otros entes. Incluyen.NIVEL GENERAL: Las acciones de sociedades constituidas en el país. d) VaR: El Var es un método para cuantificar el riesgo. El VAR es útil para una serie de propósitos. son ponderadas por capitalización bursátil. manteniéndose a su valor no reexpresado. desde la fecha de su integración al ente. i) INDICE BOLSA. h) INVERSIONES: En el estado contable de una sociedad es la cuenta que incluye las inversiones realizadas con el ánimo de obtener una renta u otro beneficio. su gráfica es plana.e. La diferencia entre el capital social reexpresado en moneda de cierre y el capital social sin reexpresar se expondrá en una cuenta denominada Ajuste del Capital. Power Spectral Density) es una constante. Los importes pendientes de integración no se reexpresarán en moneda de cierre. así como los aportes irrevocables no capitalizados desde la fecha en que se aportaron o se decidió su irrevocabilidad. El VAR proporciona una medida resumida del riesgo de mercado. entre otras: títulos valores. Las acciones componentes del índice deberán cumplir con la condición de haber negociado al menos durante el 20% de las ruedas durante el período de referencia. su densidad espectral de potencia (PSD. Se reexpresarán en moneda de cierre el capital aportado y las primas de emisión efectivamente pagadas. en su caso. depósitos a plazo fijo en entidades financieras. el VAR mide la peor pérdida esperada en un intervalo de tiempo determinado bajo condiciones normales del mercado ante un nivel de confianza dado. inmuebles y propiedades. Al comienzo de cada trimestre calendario se UNCP-2008 17 . Como consecuencia de ello.son exigibles en forma individual y no simples cuentas de regularización. la participación minoritaria en sociedades controladas.FACULTAD DE ECONOMIA c) AJUSTE INTEGRAL DEL CAPITAL: Reexpresión del patrimonio neto al inicio del primer ejercicio de aplicación. f) ESTADO DE SITUACIÓN PATRIMONIAL: El estado de situación patrimonial o balance general expone el activo.

j) INDICE DE PRECIOS: El índice Precio / Ganancia muestra el tiempo. además no están relacionadas con el comportamiento de su pasado. Dado que el precio de las acciones. que le demandaría al inversor recuperar el precio de la acción.a tanto por unidad de valor nominal.FACULTAD DE ECONOMIA efectuará una reconfiguración de la estructura del indicador.4. b) HIPOTESIS ESPECIFICA:  El comportamiento dinámico de cada sector de inversión financiera es constante en media y no constante en varianza. en años. se expresa -en general.  Las variables causantes de riesgo financiero en una inversión son las expectativas. en la Bolsa de Comercio de Buenos Aires..  El sector de inversión financiera con mayor riesgo esperado es el Sector de Diversa seguido del Sector de Mineras. tomándose como lapso de referencia los seis meses anteriores. UNCP-2008 18 . HIPOTESIS: a) HIPOTESIS GENERAL: El riesgo implícito en una inversión financiera o la perdida esperada en un portafolio financiero es 15%. se utiliza como denominador el resultado de los últimos doce meses por unidad de valor nominal de capital. 2. si la empresa mantuviera su nivel de ganancias.

lo que sugiere que diversificar en varios sectores puede mejorar el comportamiento de las carteras. por consiguiente. no es necesario construir carteras y. Las series de rendimientos se obtienen tomando primeras diferencias en el logaritmo de las series de precios. Por otro lado. el carácter predecible de la corrección por dividendos provocará que el efecto de este sesgo no afecte de forma significativa a la dinámica del modelo dada la frecuencia semanal de los rendimientos. pero no a la inversa. los participantes pueden tomar señales de las cotizaciones de los índices de mercado. RESULTADO Y ANALISIS: 3. Paralelamente a la línea de investigación anterior. La utilización de índices de mercado. el coste de la puesta en práctica de estrategias de negociación se puede reducir debido a la existencia de contratos derivados sobre el índice de las acciones de las grandes compañías. En primer lugar. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA ESTATICA: La evidencia aquí presentada muestra que existe diferencias de comportamiento entre los diversos sectores de activos de la bolsa de Valores de Lima. Sin embargo. en lugar de carteras.FACULTAD DE ECONOMIA IIII. por otro lado. a) RENDIMIENTO DEL SECTOR BANCOS: 19 UNCP-2008 . numerosos estudios han demostrado que los rendimientos de los diversos sectores pueden ser utilizados para predecir los rendimientos de las Bolsa de valores en general. la utilización de índices no ajustados por dividendos conlleva cometer un error de tipo sistemático en la estimación de las primas de riesgo condicionales que aparecen como variable dependiente en el modelo. especialmente a los momentos de segundo orden5. proporciona dos ventajas a los participantes del mercado.1.

en ella se muestra una estacionalidad en la media.2 se muestra el histograma de la serie. así como la su densidad de probabilidad. el cual muestra una media de 1. que se va denotar (log_rend_sector_bancos=Log (sector_servicios/sector_servivios(t-1)).094%.1. pero no así en la varianza.3(c) la prueba de Kernel donde la grafica muestra que la distribución se acerca a una distribución normal pero este no se ajusta bien. en la cual puede observarse que muestra una Curtosis 3.1.094%. así como la su densidad de probabilidad. en la grafica 3.2 (a).1.1.2105) se observa también se muestra en el grafico 3.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien. Además que pa prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).2(b) se muestra el histograma de la serie.1 (a). Además que la prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).7115 superior a una distribución normal y ligero sesgo positivo (0.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien.1.5097) se observa también se muestra en el grafico 3. en la cual puede observarse que muestra una Curtosis 3.1(c) se presenta las 112 observaciones resultantes de dicha transformación. entre los periodos t y t-1. pues esta no parece constante. que se va denotar (log_rend_sector_bancos=Log (sector_bancos/sector_bancos(t-1)). en ella se muestra una estacionalidad en la media. en la grafica 3. el cual muestra una media de 1.7115 superior a una distribución normal y ligero sesgo positivo (0.1. entre los periodos t y t-1. en la grafica 3. que se va denotar (log_rend_sector_bancos=Log (sector_mineras/sector_mineras(t-1)). UNCP-2008 20 . en la grafica 3.1. pues esta no parece constante.FACULTAD DE ECONOMIA El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.1. en la cual puede observarse que muestra una Curtosis 3. pues esta no parece constante.2105) se observa también se muestra en el grafico 3. el cual muestra una media de 1. pero no así en la varianza. en la grafica 3. entre los periodos t y t-1. se presenta las 112 observaciones resultantes de dicha transformación. c) RENDIMIENTO DEL SECTOR SERVICIOS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.094%.1.1(b) se presenta las 112 observaciones resultantes de dicha transformación. pero no así en la varianza. en la grafica 3. así como la su densidad de probabilidad. en ella se muestra una estacionalidad en la media. b) RENDIMIENTO DEL SECTOR MINERAS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima. se muestra el histograma de la serie.4363 superior a una distribución normal y ligero sesgo positivo (0. Además que pa prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).

1.2.1 muestra la evolución semanal de los rendimientos de los activos en los sectores estudiados en el período de estudio. UNCP-2008 21 .1(d) se presenta las 112 observaciones resultantes de dicha transformación.2.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien. que se va denotar (log_rend_sector_bancos=Log (sector_diversas/sector_diversas(t-1)). entre los periodos t y t-1. en ella se muestra una estacionalidad en la media. por su parte. es decir que se puede considerar a la serie del rendimiento del sector como una caminata aleatoria o un Ruido Blanco. La evidencia sugiere que las raíces de las ecuaciones CARACTERIUSTICAS DE los procesos AR Y MA podrian tener valores complejos y.FACULTAD DE ECONOMIA d) RENDIMIENTO DEL SECTOR DIVERSAS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima. 3. en la grafica 3. el cual muestra una media de 1.1).2. Se puede observar que ambas series presentan una tendencia similar. pues esta no parece constante. La covarianza asimétrica. a excepción de la serie de rendimiento de l sector servicios el cual muestra que no tiene raíces unitaria y muestra que es una serie estacionaria. El comportamiento asimétrico de la volatilidad hace referencia a la evidencia empírica según la cual un shock negativo sobre los rendimientos (caída inesperada del precio) conlleva un aumento de la volatilidad mayor que un shock positivo sobre los rendimientos (aumento inesperado del precio) de la misma magnitud. en la grafica 3.2(d) se muestra el histograma de la serie.2 muestra que las seis tienen raíces unitarias. Al aplicar la prueba para determinar si tiene raíces unitarias las series como se muestra en la tabla 3.7115 superior a una distribución normal y ligero sesgo positivo (0. en la cual puede observarse que muestra una Curtosis 3. a) SECTORES DE LA BOLSA DE VALORES DE LIMA: El Gráfico 3. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA DINAMICA: Al estudiar la relación dinámica entre las volatilidades de los rendimientos de los sectores hay que tener en cuenta la asimetría de la volatilidad y de la covarianza. por lo tantro el proceso de lka serie pudiera ser difícil de modelar. así como la su densidad de probabilidad.2. se refiere a la evidencia empírica según la cual la covarianza entre los rendimientos de los activos financieros aumenta mas tras shocks negativos que positivos (como se muestra en el cuadro 3. pero no así en la varianza.1.094%. Además que pa prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).2105) se observa también se muestra en el grafico 3.1.

Para tener en cuenta el efecto prefestivo en la Bolsa de Valores Lima. No obstante. los cuales se muestran en las tablas 3. de factores económicos locales. Por tanto. se introduce una variable dummy en las ecuaciones de la media condicional. UNCP-2008 22 . se supone que el vector de innovaciones ( ) 2 1 . Estos resultados señalan que es importante estudiar con más detenimiento las relaciones dinámicas en los momentos de segundo orden entre ambos tipos de empresas. económicas o sociopolíticas a nivel internacional. se ha observado una gradual expansión del proceso de globalización económica. En la última década del siglo pasado. las empresas pequeñas son menos sensibles a las crisis financieras internacionales al depender su actividad económica en mayor medida. las ecuaciones de la media condicional quedan definidas del siguiente modo3: Para estimar el modelo de las ecuaciones (1) y (2). En la versión condicional que se asume en este trabajo.FACULTAD DE ECONOMIA Del análisis preliminar realizado. podemos concluir que existen diferencias significativas en varianza pero no en media entre ambas series financieras. el rendimiento en exceso esperado del índice de empresas grandes es proporcional a la varianza condicional del índice de empresas grandes y el rendimiento en exceso esperado del índice de empresas pequeñas es proporcional a la covarianza condicional entre el rendimiento del índice pequeño y del índice grande. El Panel (A) de la Tabla 3 muestra las estimaciones de los parámetros del modelo. ya que la rentabilidad de cada uno de los meses difiere sustancialmente entre ellas. Por otro lado.3.3. 3. Este hecho podría indicar que algunos sectores podrían estar ofreciendo una sensibilidad diferente ante los distintos factores de riesgo. Los resultados obtenidos. los tipos sectores se comportaron de forma diferente. todos ellos con un p-valor muy bajo.3. Este fenómeno se manifiesta en un incremento de los niveles de interconexión y los vínculos económicos entre las diferentes economías a nivel internacional. Ello nos indica que la rentabilidad de los índices representativos de los sectores más importantes es independiente del mes en que se generan. en determinado periodos. Bollerslev y Wooldridge (1992) muestran que los errores estándar calculados mediante el método de quasi-máxima verosimilitud son robustos aunque se viole el supuesto de normalidad. Este proceso lleva consigo que dichas empresas estén más expuestas a las crisis bursátiles. nos indican que en la mayoría de sectores no se aprecia un efecto mensual. ε ε sigue una distribución normal condicional y se aplica el método de quasi-máxima verosimilitud. sí que apreciamos un efecto estacional en el sector servicios. Sin embargo. CALCULO DEL VaR: En el presente estudio se parametriza la variación de las volatilidades condicionales y su relación con los rendimientos medios esperados a través de un modelo condicional con GARCH en media. sorprende que. siendo la proporción (constante) la misma en ambos casos: el precio de mercado al riesgo.

siendo mayor la volatilidad para ambos al comienzo y al final del periodo muestral que en los periodos intermedios. además los valores estimados del parámetro (que mide la persistencia de la volatilidad) son DAX30 CAC40 valores elevados pero no llegan a uno. El modelo GARCH(1. Estos modelos se diferencian entre sí en la forma de modelizar la volatilidad. para que el proceso sea estacionario y no degenere. En la estimación del modelo GARCH(1. Además. entre los que se pueden destacar básicamente dos tipos: por un lado. La persistencia de la volatilidad está medida por los valores estimados de _1+_1. lo que implica que el proceso es estacionario. se ha recogido con esta estimación de forma adecuada la dependencia de los cuadrados ya que las funciones de autocorrelación simple y parcial tienen prácticamente todos sus valores en torno a cero. UNCP-2008 23 .1). los modelos ARCH y GARCH y todas sus posibles variantes y por otro lado. así el primer tipo de modelos se caracteriza porque la varianza condicional depende de las observaciones pasadas de la serie (modelos ARCH) y de sus propios valores pasados (modelos GARCH). lo que indica que los rendimientos de los índices bursátiles se ven afectados por el comportamiento de la volatilidad en el periodo anterior. Se puede apreciar la evolución de la volatilidad en los rendimientos de los índices bursátiles en el periodo muestral estudiado. los modelos de volatilidad estocástica. Dado el comportamiento de las funciones de autocorrelación simple y parcial de los cuadrados de los rendimientos de índices bursátiles vamos a proponer para las series de rendimientos financieros un modelo GARCH(1. Nosotros vamos a añadir el supuesto de normalidad. ∝ es la constante. mientras que en los modelos de volatilidad estocástica la volatilidad es función de un proceso estocástico no observable.FACULTAD DE ECONOMIA Para recoger estas características de las series temporales se han planteado modelos no lineales.1) para los rendimientos del CAC40 y DAX30. y t representa a los rendimientos de los índices bursátiles. que en este caso son valores próximos a uno. _t es la volatilidad y t es la perturbación aleatoria que es independiente y está idénticamente distribuida con media cero y varianza igual a uno. se puede apreciar que todos los parámetros son significativos.1) viene especificado por las siguientes ecuaciones: . Los resultados de la estimación nos muestran que los intervalos de la estimación no son simétricos porque el modelo estimado no es lineal. lo que implica que el agrupamiento de la volatilidad ya no es tan acentuado.

existe transmisión de volatilidad entre ambos tipos de empresas en las dos direcciones. Para ello.  La modelización de la volatilidad no es única y para elegir el modelo que mejor recoja la evolución dinámica de la volatilidad es necesario hacer un análisis de las características que determinan el comportamiento de las series financieras que sean objeto de estudio.FACULTAD DE ECONOMIA CONCLUSION Las principales aportaciones de esta investigación son tres.  En primer lugar. puesto que los estudios empíricos existentes hasta el momento se han centrado en el mercado estadounidense. Los resultados muestran que los shoks negativos procedentes de cualquier mercado repercuten en la volatilidad del “otro mercado”. se estudiará como responde la matriz de varianzas y covarianzas condicional de empresas grandes y pequeñas a shocks positivos y negativos en los rendimientos de ambos tipos de empresas. por tanto. australiano y nipón. se analiza la relación dinámica en los momentos condicionales de segundo orden entre diversos sectores del mercado de la bolsa de Valores de Lima. UNCP-2008 24 .

en muchos casos. En la utilización de estos modelos (por ejemplo. hemos analizado la existencia de anomalías en distintos mercados financieros internacionales. tanto en rentabilidad como en volatilidad. la evolución de la dinámica de la volatilidad a lo largo del tiempo.  En cuanto a la existencia de volatilidad anormal en la ecuación de la varianza condicional de los distintos mercados europeos en función del día de la semana en la que se genere. excepto en Portugal y República Checa. de conocer si los mercados financieros a los que pueda acceder están o no perfectamente integrados entre sí.FACULTAD DE ECONOMIA  Los modelos de volatilidad estocástica. Dicho análisis se ha centrado en la contrastación empírica del efecto día de la semana. RECOMENDACIÓN  Dada la necesidad para cualquier inversor. permiten captar mejor. para hacer predicciones de la volatilidad) es necesario tener en cuenta que los valores más recientes proporcionan más información. No obstante. al igual que Kyimaz y Berument (2001). sí que apreciamos un efecto día de la semana en todos los mercados financieros analizados. UNCP-2008 25 . aunque son más complicados de estimar que los modelos GARCH. que desee diversificar sus recursos financieros de forma internacional. en los principales mercados bursátiles europeos para el período temporal que abarca desde julio de 1997 hasta marzo de 2004. dicho efecto no es similar en los distintos mercados financieros analizados.

joseacontreras.com www.pdf www.com/Pdf/19031.cnv.ve/documentos/artespeciales/marzo2006/articuloespecial_1_22032006.net/finan/invpregclav.diccionariobursatil.gob.edesclee.htm • • • • UNCP-2008 26 .pdf www.pe/publicaciones.FACULTAD DE ECONOMIA BIBLIOGRAFÍA DIRECCIONES DE INTERNET: • • • • http://www.aspx http:www.html www.com/NET/Capacitacion/Diccionario/Diccionario.com/0424LibroVaRcsc.com. www.riesgofinanciero.pdf http:publicaciones/TEXTOS/riesgo.bolsar.bvl.

....... METODOLOGÍA…………………………………………………...…………………..…... JUSTIFICACIÓN DEL PROBLEMA………………………………….....(5) 1.5..(7) 1.8.. DISEÑO METODOLOGICO………………………………………...(3) I..4..……….....………………………. OBJETIVO……………………………………………………………….(18) UNCP-2008 27 .1..(8) 2.. PLANTEAMIENTO DEL PROBLEMA……………………………….(5) 1.FACULTAD DE ECONOMIA INDICE INTRODUCCIÓN………………………………………………...(8) 2..(14) 2..4. HIPOTESIS…………………………………………. MATERIALES…………………………………………………..……………………………………...1..(7) II.3.2. TEORIAS METODOLOGICAS…………….3.……………………….….(1) RESUMEN……………………………………….……......... MARCO TEORICO………………………………..2. MARCO CONCEPTUAL…………………….(6) 1..………………………….…........6.(17) III...…………….. (7) 1..…….……………... METODOS…………………………..... DESCRIPCION DEL PROYECTO.. ESTADO DEL ARTE………………………….... RESULTADO Y ANALISIS…………….….(10) 2. (7) 1...……………..….7. FORMULACION DEL PROBLEMA………………………………….(5) 1..(6) 1.

056720 UNCP-2008 28 .…….509756 3.1.(19) 3.FACULTAD DE ECONOMIA 3.………….…… . DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA DINAMICA………………………….….002882 0.(25) ANEXOS Grafica 3.…. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA ESTATICA………………………………………………….(23) BIBLIOGRAFÍA…………………………………………….………. Dev.2 (a) 12 10 8 6 4 2 0 -0..2 Series: REND_ESTATICO_BANCOS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.. Skewness Kurtosis Jarque-Bera Probability 0.3.(22) RECOMENDACIÓN………………………………..0 0.2.136634 0.………..…………….1..739269 0.…………………….074412 0.(20) CONCLUSION………………………………………………….…...010940 0.(18) 3.436393 5...(24) ANEXOS…………………………………………….1 0..1 -0. CALCULO DEL VaR…………………………………………….232932 -0.

1 0.1.20 .05 .0 0.05 .3 Series: REND_ESTATICO_MINERAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.10 .2 0.202909 UNCP-2008 29 .087726 0.10 -.210549 3.711510 3.00 .2 -0.029984 0.15 -.195745 0.020986 0.189991 0. Skewness Kurtosis Jarque-Bera Probability 0.25 REND_ESTATICO_BANCOS Grafica 3. h = 0.15 .0219) 7 6 5 4 3 2 1 0 -. Dev.1 -0.FACULTAD DE ECONOMIA Kernel Density (Normal.2 (b) 20 16 12 8 4 0 -0.306004 -0.

0 . Dev.011275 0.009170 0.0306) 5 4 3 2 1 0 -.2 (c) 16 12 Series: REND_ESTATICO_SERVICIO Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.1 0.006390 8 4 0 UNCP-2008 30 .1 .185267 0.052776 -0. Skewness Kurtosis Jarque-Bera Probability -0.465483 10.066919 4. h = 0.1 .10591 0.2 -.179673 -0.3 REND_ESTATICO_MINERAS Grafica 3.FACULTAD DE ECONOMIA Kernel Density (Normal.2 .0 0.1 0.1.

093840 -0.FACULTAD DE ECONOMIA Kernel Density (Normal.567248 2.20 -.10 -.20 REND_ESTATICO_SERVICIOS Grafica 3.2 0.200122 3.009346 0.0 0.1 0.10 .273293 0.15 -.00 .249170 0.0164) 9 8 7 6 5 4 3 2 1 0 -. h = 0.1.262364 -0.05 .018711 0.324787 12 8 4 0 UNCP-2008 31 .2 (d) 20 16 Series: REND_ESTATICO_DIVERSAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.2 -0. Dev. Skewness Kurtosis Jarque-Bera Probability -0.05 .1 -0.15 .

232932 -0.210549 3.087726 0.2 .FACULTAD DE ECONOMIA Kernel Density (Normal.009346 0.1 .002882 0.509756 3.185267 0. Principales Estadísticos de las Series de Rendimientos de Cada Sector Date: 07/19/08 Time: 19:52 Sample: 1999M01 2008M12 REND_BANC REND_SERVI REND_MINER REND_DIVER OS CIOS AS SAS Mean Median Maximum Minimum Std.136634 0.093840 -0.3 -. Skewness Kurtosis 0.465483 0.0311) 5 4 3 2 1 0 -.1 .066919 4.711510 0.200122 3.029984 0.436393 0. Dev.074412 0.2 -.020986 0.262364 -0.052776 -0.1.179673 -0.3 REND_ESTATICO_DIVERSAS Tabla 3.306004 -0. h = 0.018711 0.1.0 .195745 0.009170 0.010940 0.567248 32 UNCP-2008 .011275 0.273293 0.

056720 1.001688 0.FACULTAD DE ECONOMIA Jarque-Bera Probability Sum Sum Sq.202909 3. Dev.002530 0.262813 0.977465 112 Cuadro 3.005488 0.001879 DIVERSAS 0.095614 0.2.000790 0.309166 112 3.002468 0.002760 0.189991 0. Observations 5.002530 0.324787 2.1 Matriz de Covarianzas COVARIANCE MATRIX BANCOS MINERAS SERVICIOS BANCOS MINERAS SERVICIOS DIVERSAS 0.007627 0.000790 0.10591 0.001688 0.002468 0.614622 112 10.854246 112 2.225296 0.358196 0.004228 0. Evolución de los índices durante el periodo de estudio UNCP-2008 33 .006390 1.001879 0.739269 0.004228 0.008727 Gráficos Gráfico 1.249170 0.

Volatilidad condicional anualizada de los índices durante el periodo de estudio UNCP-2008 34 .FACULTAD DE ECONOMIA Gráfico 2.

2 99 00 01 02 03 04 05 06 07 08 REND_DINAMICO_BANCOS UNCP-2008 35 .1 -.3 .2 .0 -.1 .FACULTAD DE ECONOMIA .

2 .2 99 00 01 02 03 04 05 06 07 08 REND_DINAMICO_MINERAS .3 .0 -.1 -.0 -.FACULTAD DE ECONOMIA .2 .4 .3 .1 -.2 99 00 01 02 03 04 05 06 07 08 REND_DINAMICO_BANCOS UNCP-2008 36 .1 .1 .

1 -.2 99 00 01 02 03 04 05 06 07 08 REND_DINAMICO_SERVICIOS UNCP-2008 37 .1 .2 .FACULTAD DE ECONOMIA .0 -.

114 0.2 -.300 20. |* .048 -0. |*** .004 0.876 21.127 0. . . .095 0.119 -0. .2 .002 UNCP-2008 38 .016 0. | | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 12 AC 0.157 0.680 30. |* .381 -0.300 22.610 20. |* .3 .001 0.008 0. |. . |* .059 0.381 0.145 0.*|.*|. . .087 18. |. .1 .1 Date: 07/19/08 Time: 17:54 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .FACULTAD DE ECONOMIA .014 -0.738 17. |* .002 0.1 -. .097 0.042 0.024 0.0 -. |. |.001 0.785 Prob 0.108 0. |.001 0.006 0.1 RENDIMIENTO DEL SECTOR BANCOS Tabla 2.005 0.*|. |* . |* .805 20.065 -0. |. |* . .179 PAC 0. |*** . |* .027 0. |.921 26. |* | | | | | | | | | | | | Partial Correlation . .004 0. ESTACIONALIDAD DE LOS RENDIMIENTOS DE LOS SECTORES: 2.3 99 00 01 02 03 04 05 06 07 08 REND_DINAMICO_DIVERSAS 2.000 0.470 23.065 Q-Stat 16. |.148 0. |.115 -0.000 17.000 0.008 0.102 0.

.049 0. .010 0.020 -0.049 0.004 0. |. .297 22. |. . |* .000 0. . |* . . |. |* | | | | | | | | | | | Partial Correlation .166 40. . . |* . |.072 0. |.158 0.009 0.000 0.070 -0.008 0. . . .059 0. |.2 Date: 07/19/08 Time: 17:56 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . |. . |.080 0.141 0.047 0.748 45.002 0.FACULTAD DE ECONOMIA . . |. |.072 -0. |.073 36. .703 27.149 43.964 16.003 0.074 0.030 0.*|.058 0. |* .336 0. |.046 0.001 0. |* .058 0.136 0. |.084 -0.000 0.096 0.045 41.165 0.110 PAC 0.039 0. .182 25. . |. |.053 0.035 0.028 0.444 27.052 -0.100 0.055 -0. |.011 0. .026 -0.470 24.015 0.001 0.025 43.000 0.520 37.*|.053 0.365 37. .910 42.*|. |.609 0.110 0.718 29.248 43.*|.076 0.746 39. |*** .103 -0. . .109 21. |* . |* . .771 Prob 0. |* .336 0. . |.000 0.461 37. |* . |* .116 0. .065 -0. |.093 -0. .007 -0. . |.044 0.003 0.022 0. .020 -0. .056 0.*|.*|.2 RENDIMIENTO DEL SECTOR MINERAS Tabla 2. |.122 0.006 0.001 39 UNCP-2008 .111 0. .010 43.793 32.015 Q-Stat 12. . |* . |.055 -0.212 45. |* .084 -0. .025 -0.009 -0.010 0. . |.*|. |.131 2.444 35. |* .976 38.000 0.088 -0. .094 -0.118 0.051 0. |. . |* . |.210 0.004 0.022 0.048 0. | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 AC 0. |.034 0. |.580 37.792 31.035 0.759 36.013 0. .001 0. |.065 36.035 0.*|. |. |. |.077 0. .049 -0.132 0. |. |*** .033 31.069 0. | | | | | | | | | | | | | | | | | | | | | | | | .845 25.021 0. . |* .097 -0.007 0.157 -0.661 43. .053 0. |. |* .*|.037 -0.001 0.047 -0. |* .028 0.033 0.011 0. | | | | | | | | | | | | | | | | | | | | | | | | 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 0.090 0. .115 0. |. |.070 0. . |* .055 -0. |** .109 0. . . . |* . . |.342 37.234 30. |* .

.640 10.262 40 UNCP-2008 .032 0.077 0. . .115 0.521 31. .*|. . |.014 0.009 -0.078 0.099 0.018 -0. | | | | | | | | | | | | | | | | | | | | | | | | | 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 0. | | | | | | | | | | | | | | | | | | | | | | | | | .068 -0.082 Q-Stat 8. |.553 10.058 -0. |. |.931 39.112 0.026 0. |.3 RENDIMIENTO DEL SECTOR SERVICIOS Tabla 2. .*|. |.047 PAC 0.147 0. . . |.301 2. .265 -0.*|.109 31.005 0.138 0. . |.*|. . .*|.022 0. .550 10.032 -0.032 0.*|.899 32.049 -0.050 0.001 -0. . .080 -0.032 0.058 -0. . . |.493 36.080 0. .084 -0.007 0. |. . .436 37. |.051 -0.269 0.042 -0.051 -0.043 -0. | | | | | | | | | Partial Correlation .198 0.020 -0. |* | | | | | | | | | 1 2 3 4 5 6 7 8 9 AC 0.002 0. .526 37. .007 0. . .010 0.165 0. |.*|. |. |.000 -0.048 -0. |.015 0. . |. . .009 -0.042 -0. .*|. |.015 -0.110 -0.050 0.3155 10.0497 8. .032 -0. . |.108 0.240 34. |. |.*|.036 -0. .053 -0. |.265 0. |.016 0. |. .003 0.007 -0.005 0.274 35. .031 -0. |.*|. |.004 0. . |.3 Date: 07/19/08 Time: 17:59 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .016 0. |.001 -0. |* .032 -0.143 36. .046 -0.040 0. . .080 0.085 -0.046 0.840 32.807 31. . |. |.130 0.902 0.*|. .*|. |. |** . |.000 -0.102 0. .820 10.044 -0.232 0. |. .063 0.649 32.660 10.233 36.148 0. |.436 37.107 0.477 37. .572 31. .310 0. . |.005 0. . . |.337 0.024 0.540 37. |. |. |* . |. |* . .*|. |.989 34.029 0. .059 0.521 31.926 11.048 0.074 0.286 32.029 0.081 0. |.920 37. |** .093 -0. |.899 31. .141 -0.038 0. .037 32.013 -0. |.206 0. .022 0. . . |.064 0.202 Prob 0.027 -0.043 -0.003 -0. |.017 0. |* .037 0. . |. . |.015 -0. |. .FACULTAD DE ECONOMIA . .297 32. . |.

|.000 0.047 -0. |.533 0.893 55. .753 0.076 18.031 -0. . . |*** . |* .147 0.045 -0. .030 -0. |. |.244 29.016 -0.658 28.137 0.196 29. |. .919 48. . |. .100 -0.026 -0. . .742 0. .001 12. |. . |.014 -0.056 0.587 25. .311 16.115 0.058 -0.869 16. . |. |. |. .033 -0. |. |** .246 0.768 2.037 -0. |.408 13.110 -0. .076 -0.017 -0.226 0.869 0. |*** . |* . |.000 41 UNCP-2008 .420 0.4 Date: 07/19/08 Time: 18:00 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . | | | | | | | | | | | | | | | | | | | | | | | | | | | 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 0.007 -0. . . |.042 Q-Stat 22.666 0. .030 -0. .*|.056 -0.000 0.*|. |.004 -0. .835 0.018 0. |.668 0.115 -0.731 29.974 14.894 13. |* .700 41.741 0. |. . .669 0.170 18.015 0. |** .510 12.006 0. . . .445 0. .*|. .015 -0.568 0. . |.045 0.725 0. |.257 0.212 28.658 0.606 0. . .017 0. |* . .392 11. |.591 18.*|.496 0.*|.056 0.FACULTAD DE ECONOMIA .158 -0. .012 -0.*|.012 52. . .445 0.059 0.*|.648 0. .025 -0. |* | | | | | | | | Partial Correlation .126 -0.035 0.061 -0. |. . |. |. |.135 PAC 0.000 0. |. |* . . . .012 -0. |** .041 -0. .000 0.138 0.339 0.164 -0. |.111 -0.241 11. |** .088 0. |* . |.007 -0.103 18.056 -0. .062 0.589 0. .106 -0.281 11.086 11.610 0.459 41. |. |.036 0.059 15.742 33. |. . |. |.195 27.*|.680 0. |.000 0. . |.048 0.*|.018 0. |. | | | | | | | | | | | | | | | | | | | | | | | | | | | .082 0.*|. . .307 0.*|. |.697 0.702 0. |** .513 57.4 RENDIMIENTO DEL SECTOR DIVERSAS Tabla 2. |.730 0.024 -0.130 -0. . .030 0.753 0.741 Prob 0. | | | | | | | | 1 2 3 4 5 6 7 8 AC 0.201 0.027 -0. |.029 -0.491 22.192 18. |. |.607 0. |. .219 28. .798 0.000 0. . |. .021 -0.492 17. |.013 -0.053 0.*|.888 0.010 -0.000 0. .

012 -0.721 88.022 0. | | | | | | | | | | | | | | | | | | | | | | | | | | | | 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 0. |.010 0.420 78. . |. . |.006 -0.064 -0. |. |.000 0.038 0.*|.069 0.085 -0. |.861 78.054 75.065 0.037 -0.030 0.696 81.*|. . .070 0.000 0. .*|. .037 -0. .015 0. . |. |.028 -0. .434 78.000 0. .125 0.189 0. . . . .066 -0.939 84. |* . |* . |. |.000 0. .067 0. .016 -0. |.931 69.053 0. |* .126 0.004 0. |. .000 0.056 75.135 0. . |** . |* .*|.449 84.000 0. |* . . |. . |.027 -0.*|.000 0.*|.969 85.000 0.*|.000 0. . .059 -0.000 0.164 65.578 75.043 -0. |.640 79.017 -0.*|. .000 0.004 0. |.663 80.000 0. |.028 0.012 62.173 0.000 0.469 78.000 0. .000 0.207 0.000 0.164 -0.065 -0.071 0.000 0.338 82.007 -0.653 76.681 90. . .*|.000 0.170 0. .134 -0.028 -0.014 -0.051 -0.000 0. |. . |.415 78. .044 85.032 -0. |* .048 -0. . .937 84.003 -0. .*|.059 75. |.000 a) SECTOR BANCOS: UNCP-2008 42 .158 -0. .000 0.000 0. |* .FACULTAD DE ECONOMIA .968 79.000 0. |* .009 79.066 -0.043 -0.307 78. |. |. .403 0.134 -0. . .000 0.000 0. . |.*|.*|. . |.*|. |.049 0.303 80. | | | | | | | | | | | | | | | | | | | | | | | | | | | | .000 0.189 0. |* .080 -0. |. |.073 0. |. .101 0. |* .129 0. . .000 0. |. . |.000 0. |.024 0. . |.

2 99 00 01 02 03 04 05 06 07 Cycle 08 BANCOS Trend .2 UNCP-2008 43 .2 .2 .1 -.1 .1 .0 -.3 .1 -.3 .FACULTAD DE ECONOMIA Hodrick-Prescott Filter (lambda=14400) .0 -.

0.101670 0.46563 0.D.682363 0. -10. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.212104 58.045236 -3.* 0.0000 0. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.092227 Std.1589 2.FACULTAD DE ECONOMIA Null Hypothesis: D(BANCOS) has a unit root Exogenous: Constant.9510 0.001669 -1.E.110768 -0.151440 Prob.0000 0.344371 0.147684 0.091225 0.2) Method: Least Squares Date: 07/19/08 Time: 00:20 Sample (adjusted): 1999M06 2008M05 Included observations: 108 after adjustments Variable D(BANCOS(-1)) D(BANCOS(-1).0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(BANCOS.53075 4.336277 -2.707963 0. Error 0.000227 t-Statistic -10.2) D(BANCOS(-2).9120 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S.061612 Prob.53075 -4.015063 0.557320 131.130517 -2.451959 -3.40E-05 0.793757 3. Linear Trend Lag Length: 2 (Automatic based on SIC. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 44 .774941 0.000000 Mean dependent var S.694237 0.073559 0.0003 0.001061 0.199575 0.

FACULTAD DE ECONOMIA SECTOR MINERAS: UNCP-2008 45 .

0 -.2 .3 99 00 01 02 03 04 05 06 07 Cycle 08 MINERAS Trend .1 .1 -.3 .FACULTAD DE ECONOMIA Hodrick-Prescott Filter (lambda=14400) .1 -.2 .3 .2 UNCP-2008 46 .0 -.2 -.4 .1 .

FACULTAD DE ECONOMIA Null Hypothesis: D(MINERAS) has a unit root Exogenous: Constant.2) C @TREND(1999M01) R-squared Adjusted R-squared S.857235 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 47 .8577 -0.0000 0.092000 0.000302 0.451568 -3.19761 3.168901 -1. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.152262 0.084610 Std.000000 Mean dependent var S.151211 Prob.179786 Prob.E. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.250012 0.353136 -0.845405 92.2) Method: Least Squares Date: 07/19/08 Time: 00:25 Sample (adjusted): 1999M05 2008M05 Included observations: 109 after adjustments Variable D(MINERAS(-1)) D(MINERAS(-1).716678 0.06376 0. Linear Trend Lag Length: 1 (Automatic based on SIC.9573 2. Error 0.848663 109.004517 4.0002 0.944170 -1.D.* 0.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(MINERAS.089903 0.724548 0.044415 -3. -12.018067 0.000274 t-Statistic -12. 0.19761 -4.92E-05 0.838442 -0.8031 0.

Linear Trend Lag Length: 1 (Automatic based on SIC.2 99 00 01 02 03 04 05 06 07 Cycle 08 SERVICIOS Trend .2 .1 .1 .* 0.2 .0 -. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.1 -.0000 UNCP-2008 .2 Null Hypothesis: D(SERVICIOS) has a unit root Exogenous: Constant.FACULTAD DE ECONOMIA b) SECTOR SERVICIOS: Hodrick-Prescott Filter (lambda=14400) . 48 -12.70684 -4.0 -.044415 -3.1 -.451568 -3.151211 Prob.

880467 -2.0000 0.231160 Prob.280150 -0.869914 0.99686 0.E.000000 Mean dependent var S.D.064980 Std.2) Method: Least Squares Date: 07/19/08 Time: 00:29 Sample (adjusted): 1999M05 2008M05 Included observations: 109 after adjustments Variable D(SERVICIOS(-1)) D(SERVICIOS(-1).011308 0.382990 -0.089481 0.0000 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S.003375 3.056294 0.298469 0.147158 0.000171 t-Statistic -12.70684 4.718743 0.FACULTAD DE ECONOMIA Augmented Dickey-Fuller Test Equation Dependent Variable: D(SERVICIOS.8176 -0.7659 0.332741 160.96E-05 0.001141 0. 0.9854 2. Error 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) c) SECTOR DIVERSAS: UNCP-2008 49 .781702 92. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.106147 -2.726556 0.

2 -.3 Null Hypothesis: D(DIVERSAS) has a unit root Exogenous: Constant.0 -. Linear Trend Lag Length: 3 (Automatic based on SIC.2 .1 .3 .0 -.3 99 00 01 02 03 04 05 06 07 Cycle 08 DIVERSAS Trend .1 -.2 .3 .2 -. MAXLAG=12) 50 UNCP-2008 .1 .FACULTAD DE ECONOMIA Hodrick-Prescott Filter (lambda=14400) .1 -.

2) C @TREND(1999M01) R-squared Adjusted R-squared S. -8.0002 0.884160 -0.2) D(DIVERSAS(-3).9536 0.000000 Mean dependent var S.Normal distribution 51 UNCP-2008 .722917 115.FACULTAD DE ECONOMIA t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.000265 t-Statistic -8.573637 -4.5286 2.001030 1. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) a) SECTOR BANCOS: Dependent Variable: BANCOS Method: ML .* 0. Error 0.353608 -0.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(DIVERSAS.0000 0.843506 0.100735 Std. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.737141 0.070008 Prob.046072 -3.727710 3.091039 0.162663 0.501989 0.2) D(DIVERSAS(-2).001864 0.268992 0.0026 0.D.85E-05 0.151673 Prob.017648 0.306242 0.573637 3.2) Method: Least Squares Date: 07/19/08 Time: 00:30 Sample (adjusted): 1999M07 2008M05 Included observations: 107 after adjustments Variable D(DIVERSAS(-1)) D(DIVERSAS(-1).452358 -3.058393 0.ARCH (Marquardt) .084603 0.E.0003 0.45157 0.226280 0.9443 0.165014 -2.086060 3.749540 0. 0.047263 -1.897385 60.

074412 -2.361077 -2.616683 135.003992 0.3485 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.2203 0. Error 0.Normal distribution UNCP-2008 52 .ARCH (Marquardt) .006650 Std.855941 0.0635 0. of regression Sum squared resid Log likelihood 0.0000 0.937565 Prob.021764 0.000669 0.FACULTAD DE ECONOMIA Date: 07/19/08 Time: 00:50 Sample (adjusted): 1999M02 2008M05 Included observations: 112 after adjustments Convergence achieved after 9 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 Coefficient C 0.966141 1.288997 -0.231381 Mean dependent var S. 0.007093 z-Statistic 0.288260 1.E.155715 5.010940 0.075217 0.003354 -0.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat b) SECTOR MINERAS: Dependent Variable: MINERAS Method: ML .

0004 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.0000 0.087726 -1.008564 z-Statistic 3.740262 0.FACULTAD DE ECONOMIA Date: 07/19/08 Time: 00:51 Sample (adjusted): 1999M02 2008M05 Included observations: 112 after adjustments Convergence achieved after 11 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 Coefficient C 0.030239 Std.2851 0.000009 -0.ARCH (Marquardt) .4591 0.987234 -1.001161 0.914417 1.099436 6.029984 0.315816 Mean dependent var S.018357 0.530969 Prob.Normal distribution Date: 07/19/08 Time: 00:48 UNCP-2008 53 .854253 114. Error 0.088528 0.106429 0. 0. of regression Sum squared resid Log likelihood 0.073609 -0.D.E.007090 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat c) SECTOR SERVICIOS: Dependent Variable: SERVICIOS Method: ML .

292552 Prob.Normal distribution Date: 07/19/08 Time: 00:53 Sample (adjusted): 1999M02 2008M05 UNCP-2008 54 .053259 0. of regression Sum squared resid Log likelihood 0.ARCH (Marquardt) . Error 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat d) SECTOR DIVERSAS: Dependent Variable: DIVERSAS Method: ML .010875 Std.018408 0.011275 0.052776 -3. 0.E.3337 0.309184 171.D.6260 0.000058 -0.000311 0.004743 z-Statistic 2.0219 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.0000 0.FACULTAD DE ECONOMIA Sample (adjusted): 1999M02 2008M05 Included observations: 112 after adjustments Convergence achieved after 22 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 Coefficient C 0.046460 -0.011178 -2.255423 -0.938361 1.048061 9.966705 0.002875 -0.467467 Mean dependent var S.

018711 0.093840 -1.0935 0. of regression Sum squared resid Log likelihood 0.018879 0.007332 0.009569 z-Statistic 2.001307 0.000521 -0.104248 Mean dependent var S.D.803854 1.020842 Std.178039 Prob. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat MODELO GARCH DE ORDEN UNCP-2008 55 .094722 0.977974 108.876671 -1.2761 0.0294 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.FACULTAD DE ECONOMIA Included observations: 112 after adjustments Convergence achieved after 7 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 Coefficient C 0.E.611513 1. 0.154436 -0. Error 0.089162 0.0000 0.141794 5.

300785 1. 0. Julio del 2008 UNCP-2008 56 .002525 0. Error 0.007400 Std.127482 -1.002284 -0.2892 Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.2810 0.030125 0.179252 -0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Ciudad Universitaria.074412 -2.549212 -0.FACULTAD DE ECONOMIA Dependent Variable: REND_BANCOS Method: ML .397875 -2.616025 138.0334 0.010940 0.331660 2.Normal distribution Date: 07/19/08 Time: 23:29 Sample (adjusted): 1999M02 2008M05 Included observations: 112 after adjustments Convergence achieved after 12 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) Coefficient C 0.655946 0.E.059845 Prob.084255 0.ARCH (Marquardt) .075524 0.0049 0. of regression Sum squared resid Log likelihood 0.0977 0.007104 0.D.006982 z-Statistic 1.232695 Mean dependent var S.813392 2.

Sign up to vote on this title
UsefulNot useful