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

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

FACULTAD DE ECONOMIA  Bajas ventas como consecuencia de la falta de liquidez. es decir. El caso es que el Índice General de la BVL -el más importante del mercado bursátil limeño y del Perú. 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. este amenazador resultado significa que si un inversionista apostó 100 nuevos soles un día antes del primero de mes pasado. etc. Viéndolo didácticamente. su capital se le redujo a 89. 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. la actuación negativa de las principales bolsas de valores del mundo. Ademas satisfacer inquietudes del publico en general. vender con una marcada tendencia bajista es casi imposible. lo cual es sustancialmente menor. perdió 10.Con lo cual el índice acumuló una disminución del 10.4 % por ejemplo en el lapso señalado. OBJETIVO: a) OBJETIVO GENERAL:  Analizar el riesgo implícito en una inversión financiera o llamado también la perdida esperada en un portafolio financiero.4 nuevos soles hasta el 15 del mismo mes (ayer). por cuanto en la BVL el sector minero tiene una presencia preponderante.6 nuevos soles. b) OBJETIVO ESPECIFICO: UNCP-2008 7 . Por ejemplo pierde ayer un 2 %. Servicios. MIneria.4.  Inversiones estancadas y menos oportunidades de inversión. 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. Entre los probables factores explicativos de esta caída sobresalen el descenso de los precios internacionales de los metales. Bancos. 1.

1. METODOS: El principal método que se va ah emplear para desarrollar el presente proyecto de investigación es el VaR. puesto que el Valor en Riesgo es un método para cuantificar la perdida que se podría sufrir en condiciones normales de mercados. DISEÑO METODOLOGICO: a) POBLACION: La población de estudio del presente proyecto de investigación esta orientada a todas las entidades financieras registradas por la SBS.FACULTAD DE ECONOMIA  Verificar el supuesto de heterocedasticidad de la serie. 1. diagnostico y explicativo.  Hallar las variables causantes de riesgo financiero en una inversión y analizar el comportamiento de cada una de ellas. descriptivo. Software eviews. Software Microsoft Excel.7. De esta manera poder aplicar un análisis mediante la prueba estadística. utilizando técnicas estadísticas tradicionales. 1.6. es decir observar el comportamiento de la varianza de esta. METODOLOGÍA: Parta el presente proyecto de investigación se utilizara una metodología que vincula el enfoque: cuantitativo. De ello que este es una medida estadística de riesgo utilizada frecuentemente por instituciones que desean medir los riesgos en portafolios de inversión.8.5. para detectar si el efecto de un factor asociado explica la influencia del cambio sobre la variable relacionada. b) MUESTRA: UNCP-2008 8 . 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. Software SPSS.  Determinar las perdidas esperadas en un portafolio financiero. 1.

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

alcanzando precios espectaculares las acciones que cotizan de diversos sectores. 12 de Junio del 2008. Autor: Carlos Raúl CONGONA REVILLA.joseacontreras. fondos de pensiones. En el año 1.5 Tal como parece.pdf 4 5 www. los ciclos económicos se repiten y eso es lo que pasa con nuestra economía que no escapa a estos ciclos. entre ellos la posibilidad de perder parte de los ahorros. Esta es una de las principales conclusiones de una encuesta hecha por el Ministerio de Minas y Energía entre entidades bancarias. Autor: Arturo Morales Castro.net/publicaciones/PUBLICACION_BOLSA%20DE %20VALORES_CARLOS_CONGONA_REVILLA.FACULTAD DE ECONOMIA INVERSIONES EN ACCIONES Y PORTAFOLIOS DE INVERSIÓN.net/finan/invpregclav. fiduciarias.4 Aunque los altos precios de los commodities en los mercados internacionales hacen más rentable las actividades relacionadas con la minería. Si se busca que la inversión sea muy rentable se van a correr muchos riegos. Pero para ello es aconsejable que se tome tiempo para pensar un poco e informarse.997 hubo un Boom de la Bolsa de Valores de Lima.isppd.3 Si el objetivo es que el capital financiero se incremente. fondos de capital privado. porque se incrementan los ahorros. aseguradoras. 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. 2003.pdf www. bancas de inversión. en Colombia las inversiones en este sector son riesgosas. En cambio. invertir es seguramente la mejor manera de lograrlo. las ganancias que se pueden esperar son menores. en el primer trimestre de ese año los precios en especial de las empresas mineras subieron impulsados por los precios internacionales de los metales. comisionistas de bolsa.imcportal. Autor: Representante general de IMC. Si se invierte bien se está asegurando el futuro.pdf UNCP-2008 10 . SECTOR FINANCIERO PERCIBE RIESGO EN INVERSIONES MINERAS.com/newsfiles/20080615031218. firmas de abogados y personas naturales. si se prefiere una inversión más segura. 2006. solo 3 www. LA BOLSA DE VALORES DE LIMA: LA MÁS RENTABLE DEL MUNDO.

Aunque este es un tema eminentemente técnico. U chile.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. 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.facea. los rendimientos compuestos continuamente y los modelos para estimar el comportamiento de los rendimientos. el principio de diversificación. Concluye con modelos de portafolio.jsp?document=38361&property=attachment&index=4&content UNCP-2008 11 . 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. la aplicación de la distribución normal. una definición formal del riesgo.En esta ocasión nos centraremos en las medidas de riesgo financiero que han sido propuestas en los últimos diez años. El análisis plantea la estimación del VaR ajustado por el riesgo de 6 www. Una apropiada medición de riesgos es fundamental para una correcta gestión de riesgo de las empresas. Autor: Rafael Romo Meza. Capital Asset Pricing Model (CAPM) y Arbitrage Pricing Theory (APT).2000.uchile.FACULTAD DE ECONOMIA quedaron la mitad. llegando los índices bursátiles a los siguientes niveles de rentabilidad MEDIDAS DEL RIESGO FINANCIERO. 2. sin embargo tiene profundas implicancias prácticas.2. así como una apropiada regulación del sistema financiero.cl/download. 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. 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 .

 Riesgo operativo Definición.htm UNCP-2008 12 .htm http://www. En otras palabras. el riesgo de liquidez. Analiza los modelos para estimar el riesgo de crédito: el modelo paramétrico. estimación del riesgo operativo. Por ejemplo. el "spread" y el horizonte de inversión según Basilea y en la elección óptima del horizonte de inversión. importancia del riesgo operativo. ejemplos de quebrantos a causa de eventos operativos. solamente 1 día de cada 20 días de operación del mercado (1/20 = 5%). la pérdida que ocurrirá puede ser igual o mayor a $250. Es una medida estadística de riesgo utilizada frecuentemente por instituciones que desean medir los riesgos en portafolios de inversión.000 con un 95% de nivel de confianza. control del riesgo operativo. un inversionista que tiene un portafolio de activos por un valor de 10 millones de pesos. utilizando técnicas estadísticas tradicionales. c) Valor en Riesgo (VaR)8: Es un método para cuantificar la exposición al riesgo de mercado.riesgofinanciero. 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. Credit Risk +.  Riesgo de crédito 7 Este capitulo parte de la definición y la naturaleza del problema. podría establecer que el VaR diario de su portafolio es $250. un modelo de riesgo operativo. en condiciones normales. clasificación de los riesgos operativos. el modelo binominal de riesgo neutral y modelos de probabilidad de incumplimiento condicional.FACULTAD DE ECONOMIA liquidez.00.000.com/pr06. medidas de comportamiento ajustadas por riesgo. 7 8 http:publicaciones/TEXTOS/riesgo. CreditMetrics. concluyenndo con otras aproximaciones.

e) Estimación del VaR de los instrumentos financieros y derivados9: Donde se analizan: acciones. regresión. Modelos Delta-Gamma. y modelos teóricos de la estructura intertemporal de tasas de interés] y estimación del valor en riesgo. clases de instrumentos de deuda. La kurtosis positiva indica una distribución relativamente apuntada. la distribución es simétrica. divisas. y la negativa indica una distribución relativamente achatada. d) Modelos de valor en riesgo de mercado: Donde se analizan: modelos de simulación histórica. elección de los factores de riesgo. a los valores mayores a 3 se los llama kurtosis excesiva. Concluye con otras aproximaciones incluyendo la aplicación de Duración y Convexidad. Leptokurtosis se denomina al atributo de una distribución con muy altos índices de kurtosis. ajuste de la curva de rendimiento y métodos de interpolación [interpolación lineal. instrumentos de deuda o de renta fija. Un sesgo negativo indica una distribución con una cola asimétrica extendida hacia los valores negativos. Modelo DeltaVaR]. En una distribución normal la kurtosis es igual a 3. "mapping" de RiskMetrics. adecuaciones al modelo de portafolio [ Modelos de Mezcla de Normales.FACULTAD DE ECONOMIA Kurtosis es una medida estadística que describe el apuntamiento o achatamiento de una cierta distribución con respecto a una distribución normal. Si el sesgo es igual a cero. "alambrada". modelos de portafolio o de varianza-covarianza.com/0424LibroVaRcsc. UNCP-2008 13 . 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. Skewness o sesgo: Medida estadística que describe la simetría de la distribución alrededor de un promedio. si el sesgo es positivo la distribución una tendrá una cola asimétrica extendida hacia los valores positivos.riesgofinanciero. 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).

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

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

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. de crítica. El procedimiento más empleado para el cálculo de cifras VaR es el llamado método histórico. a) RIESGO FINANCIERO: El riesgo financiero es el riesgo de no estar en condiciones de cubrir los costos financieros. 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. pues el significado del numerito en cuestión depende una red subterránea de supuestos y premisas teóricas de base susceptibles de variación y. 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. b) LIQUIDEZ : Naturaleza de ciertos activos por la que son transformables en dinero efectivo de forma inmediata UNCP-2008 16 . En primer lugar es necesario disponer de una amplia base de datos históricos de carácter numérico. por ello su análisis se determina por el grado de apalancamiento financiero que tenga la empresa en un momento determinado. un modelo de valoración competitiva de activos financieros que obedece al consabido principio del análisis media-varianza de la teoría financiera neoclásica. Este cálculo no está exento de controversia.

FACULTAD DE ECONOMIA c) AJUSTE INTEGRAL DEL CAPITAL: Reexpresión del patrimonio neto al inicio del primer ejercicio de aplicación. Power Spectral Density) es una constante.son exigibles en forma individual y no simples cuentas de regularización.NIVEL GENERAL: Las acciones de sociedades constituidas en el país.e. entre otras: títulos valores. el cual utiliza técnicas estadísticas estándar que se usan de maneta rutinaria en otros campos técnicos. El VAR proporciona una medida resumida del riesgo de mercado. 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. 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. Las compañías extranjeras gravitan en función de su participación en el valor efectivo operado. d) VaR: El Var es un método para cuantificar el riesgo. 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. f) ESTADO DE SITUACIÓN PATRIMONIAL: El estado de situación patrimonial o balance general expone el activo. y que no forman parte de los activos dedicados a la actividad principal de la empresa y las colocaciones efectuadas en otros entes. el VAR mide la peor pérdida esperada en un intervalo de tiempo determinado bajo condiciones normales del mercado ante un nivel de confianza dado. manteniéndose a su valor no reexpresado. En términos formales. 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. Los importes pendientes de integración no se reexpresarán en moneda de cierre. la participación minoritaria en sociedades controladas. i) INDICE BOLSA. El VAR es útil para una serie de propósitos. Se reexpresarán en moneda de cierre el capital aportado y las primas de emisión efectivamente pagadas. 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. salvo que pudiera demostrarse que se trata de importes que económicamente y no sólo jurídicamente. préstamos. i. Incluyen. así como los aportes irrevocables no capitalizados desde la fecha en que se aportaron o se decidió su irrevocabilidad. desde la fecha de su integración al ente. en su caso. depósitos a plazo fijo en entidades financieras. explícito o implícito. inmuebles y propiedades. Como consecuencia de ello. Al comienzo de cada trimestre calendario se UNCP-2008 17 . su gráfica es plana. el pasivo y el patrimonio neto y. son ponderadas por capitalización bursátil. su densidad espectral de potencia (PSD.

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

Paralelamente a la línea de investigación anterior. proporciona dos ventajas a los participantes del mercado. pero no a la inversa. Sin embargo. los participantes pueden tomar señales de las cotizaciones de los 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. especialmente a los momentos de segundo orden5. Las series de rendimientos se obtienen tomando primeras diferencias en el logaritmo de las series de precios. RESULTADO Y ANALISIS: 3. en lugar de carteras. 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. 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. lo que sugiere que diversificar en varios sectores puede mejorar el comportamiento de las carteras. En primer lugar. no es necesario construir carteras y. a) RENDIMIENTO DEL SECTOR BANCOS: 19 UNCP-2008 . Por otro lado.1. 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. La utilización de índices de mercado. por otro lado. por consiguiente. 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.FACULTAD DE ECONOMIA IIII.

3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien. en ella se muestra una estacionalidad en la media. en la cual puede observarse que muestra una Curtosis 3.094%.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien. en la grafica 3. pero no así en la varianza. se muestra el histograma de la serie. en la cual puede observarse que muestra una Curtosis 3.1. el cual muestra una media de 1.1. que se va denotar (log_rend_sector_bancos=Log (sector_bancos/sector_bancos(t-1)). en la cual puede observarse que muestra una Curtosis 3.7115 superior a una distribución normal y ligero sesgo positivo (0. entre los periodos t y t-1. en la grafica 3. pues esta no parece constante.1.3(c) la prueba de Kernel donde la grafica muestra que la distribución se acerca a una distribución normal pero este no se ajusta bien. pero no así en la varianza. Además que la prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad). así como la su densidad de probabilidad. se presenta las 112 observaciones resultantes de dicha transformación. entre los periodos t y t-1. el cual muestra una media de 1.7115 superior a una distribución normal y ligero sesgo positivo (0. en la grafica 3.1.094%. entre los periodos t y t-1.2105) se observa también se muestra en el grafico 3. el cual muestra una media de 1. que se va denotar (log_rend_sector_bancos=Log (sector_mineras/sector_mineras(t-1)).1. en la grafica 3.2 (a).1.1(b) se presenta las 112 observaciones resultantes de dicha transformación.4363 superior a una distribución normal y ligero sesgo positivo (0.094%. pues esta no parece constante.2105) se observa también se muestra en el grafico 3. pero no así en la varianza.1. en la grafica 3. así como la su densidad de probabilidad.1. en ella se muestra una estacionalidad en la media.FACULTAD DE ECONOMIA El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.2(b) se muestra el histograma de la serie.5097) se observa también se muestra en el grafico 3. en la grafica 3. pues esta no parece constante. UNCP-2008 20 . Además que pa prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad). que se va denotar (log_rend_sector_bancos=Log (sector_servicios/sector_servivios(t-1)).1 (a). b) RENDIMIENTO DEL SECTOR MINERAS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima. así como la su densidad de probabilidad.1(c) 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. en ella se muestra una estacionalidad en la media. 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 se muestra el histograma de la serie.

Se puede observar que ambas series presentan una tendencia similar. Además que pa prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien. así como la su densidad de probabilidad. es decir que se puede considerar a la serie del rendimiento del sector como una caminata aleatoria o un Ruido Blanco.1). 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. La covarianza asimétrica. Al aplicar la prueba para determinar si tiene raíces unitarias las series como se muestra en la tabla 3.2105) se observa también se muestra en el grafico 3. en la cual puede observarse que muestra una Curtosis 3.7115 superior a una distribución normal y ligero sesgo positivo (0. La evidencia sugiere que las raíces de las ecuaciones CARACTERIUSTICAS DE los procesos AR Y MA podrian tener valores complejos y.1.1. en la grafica 3. por lo tantro el proceso de lka serie pudiera ser difícil de modelar.2 muestra que las seis tienen raíces unitarias.1 muestra la evolución semanal de los rendimientos de los activos en los sectores estudiados en el período de estudio. 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. a) SECTORES DE LA BOLSA DE VALORES DE LIMA: El Gráfico 3. que se va denotar (log_rend_sector_bancos=Log (sector_diversas/sector_diversas(t-1)). 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. 3. entre los periodos t y t-1. UNCP-2008 21 . en ella se muestra una estacionalidad en la media.1.2.1(d) se presenta las 112 observaciones resultantes de dicha transformación.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.2(d) se muestra el histograma de la serie.094%. pues esta no parece constante. por su parte. pero no así en la varianza. 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 3.2. el cual muestra una media de 1. en la grafica 3.2.2.

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

lo que indica que los rendimientos de los índices bursátiles se ven afectados por el comportamiento de la volatilidad en el periodo anterior. La persistencia de la volatilidad está medida por los valores estimados de _1+_1. los modelos de volatilidad estocástica.1) viene especificado por las siguientes ecuaciones: . UNCP-2008 23 . que en este caso son valores próximos a uno.1) para los rendimientos del CAC40 y DAX30. Se puede apreciar la evolución de la volatilidad en los rendimientos de los índices bursátiles en el periodo muestral estudiado. _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. 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. lo que implica que el proceso es estacionario. Además. siendo mayor la volatilidad para ambos al comienzo y al final del periodo muestral que en los periodos intermedios.1). para que el proceso sea estacionario y no degenere. ∝ es la constante. y t representa a los rendimientos de los índices bursátiles.FACULTAD DE ECONOMIA Para recoger estas características de las series temporales se han planteado modelos no lineales. En la estimación del modelo GARCH(1. 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. los modelos ARCH y GARCH y todas sus posibles variantes y por otro lado. además los valores estimados del parámetro (que mide la persistencia de la volatilidad) son DAX30 CAC40 valores elevados pero no llegan a uno. entre los que se pueden destacar básicamente dos tipos: por un lado. se puede apreciar que todos los parámetros son significativos. mientras que en los modelos de volatilidad estocástica la volatilidad es función de un proceso estocástico no observable. Los resultados de la estimación nos muestran que los intervalos de la estimación no son simétricos porque el modelo estimado no es lineal. El modelo GARCH(1. Estos modelos se diferencian entre sí en la forma de modelizar la volatilidad. Nosotros vamos a añadir el supuesto de normalidad. lo que implica que el agrupamiento de la volatilidad ya no es tan acentuado. 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).

se analiza la relación dinámica en los momentos condicionales de segundo orden entre diversos sectores del mercado de la bolsa de Valores de Lima. australiano y nipón.  En primer lugar.FACULTAD DE ECONOMIA CONCLUSION Las principales aportaciones de esta investigación son tres.  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. por tanto. existe transmisión de volatilidad entre ambos tipos de empresas en las dos direcciones. Para ello. UNCP-2008 24 . Los resultados muestran que los shoks negativos procedentes de cualquier mercado repercuten en la volatilidad del “otro mercado”. puesto que los estudios empíricos existentes hasta el momento se han centrado en el mercado estadounidense. 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.

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

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

.(14) 2..5.8... (7) 1...2...(5) 1..…..2..…..6...……………..3.………………………....(7) 1. TEORIAS METODOLOGICAS…………….. MARCO TEORICO……………………………….1. ESTADO DEL ARTE…………………………...……………………………………..4...……..(8) 2..(5) 1......4.. OBJETIVO……………………………………………………………….(10) 2...…….…………….…………………………...(5) 1....7.(6) 1..... JUSTIFICACIÓN DEL PROBLEMA…………………………………......3...……………... FORMULACION DEL PROBLEMA…………………………………. MARCO CONCEPTUAL……………………. PLANTEAMIENTO DEL PROBLEMA……………………………….…. (7) 1.(3) I..….. HIPOTESIS………………………………………….………..(7) II.FACULTAD DE ECONOMIA INDICE INTRODUCCIÓN……………………………………………….....(18) UNCP-2008 27 .... METODOLOGÍA………………………………………………….………………………...(8) 2.... MATERIALES………………………………………………….1.(1) RESUMEN………………………………………. RESULTADO Y ANALISIS……………. DISEÑO METODOLOGICO……………………………………….………………….….(17) III. DESCRIPCION DEL PROYECTO. METODOS………………………….....(6) 1.

(25) ANEXOS Grafica 3...(23) BIBLIOGRAFÍA…………………………………………….(18) 3.…….232932 -0.509756 3.……….FACULTAD DE ECONOMIA 3.….….056720 UNCP-2008 28 .2 Series: REND_ESTATICO_BANCOS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.3.1 -0.………..0 0.2.(20) CONCLUSION………………………………………………….2 (a) 12 10 8 6 4 2 0 -0.010940 0.…………….……………………. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA ESTATICA………………………………………………….1 0.(22) RECOMENDACIÓN……………………………….002882 0.…..1.. CALCULO DEL VaR…………………………………………….136634 0.436393 5..1. Skewness Kurtosis Jarque-Bera Probability 0.. Dev..074412 0.(19) 3.739269 0. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA DINAMICA…………………………..(24) ANEXOS…………………………………………….…… .…………..

087726 0.2 -0.2 0.05 .029984 0. Dev.0 0.00 .05 .020986 0.210549 3.202909 UNCP-2008 29 . h = 0.FACULTAD DE ECONOMIA Kernel Density (Normal.15 .711510 3.306004 -0.1 -0.25 REND_ESTATICO_BANCOS Grafica 3.20 .0219) 7 6 5 4 3 2 1 0 -.189991 0.1.1 0.3 Series: REND_ESTATICO_MINERAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.15 -.10 .2 (b) 20 16 12 8 4 0 -0.195745 0.10 -. Skewness Kurtosis Jarque-Bera Probability 0.

011275 0.0306) 5 4 3 2 1 0 -.1.1 .465483 10.185267 0.066919 4.006390 8 4 0 UNCP-2008 30 .3 REND_ESTATICO_MINERAS Grafica 3.009170 0. Dev.10591 0.2 -. Skewness Kurtosis Jarque-Bera Probability -0.1 0. h = 0.2 (c) 16 12 Series: REND_ESTATICO_SERVICIO Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.179673 -0.2 .FACULTAD DE ECONOMIA Kernel Density (Normal.1 .0 0.1 0.052776 -0.0 .

2 0.0164) 9 8 7 6 5 4 3 2 1 0 -.05 .262364 -0.273293 0.249170 0.20 REND_ESTATICO_SERVICIOS Grafica 3.0 0.20 -.15 .FACULTAD DE ECONOMIA Kernel Density (Normal.093840 -0. h = 0.15 -.10 . Dev.2 (d) 20 16 Series: REND_ESTATICO_DIVERSAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.1 -0.200122 3.018711 0.2 -0.324787 12 8 4 0 UNCP-2008 31 .05 .009346 0.10 -.567248 2.1 0.00 . Skewness Kurtosis Jarque-Bera Probability -0.1.

179673 -0.1. 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.465483 0.002882 0.273293 0.011275 0.3 REND_ESTATICO_DIVERSAS Tabla 3. h = 0.711510 0.185267 0.2 -.FACULTAD DE ECONOMIA Kernel Density (Normal.029984 0.009170 0. Dev.195745 0.262364 -0.093840 -0.018711 0.136634 0.2 .009346 0.010940 0.0311) 5 4 3 2 1 0 -.567248 32 UNCP-2008 .232932 -0.1 .509756 3.306004 -0.087726 0. Skewness Kurtosis 0.3 -.066919 4.020986 0.200122 3.436393 0.210549 3.052776 -0.1.0 .074412 0.1 .

002530 0.002468 0.FACULTAD DE ECONOMIA Jarque-Bera Probability Sum Sum Sq.004228 0.008727 Gráficos Gráfico 1.358196 0.095614 0.854246 112 2.001879 DIVERSAS 0.056720 1.202909 3.001688 0.002468 0.005488 0.189991 0.000790 0.324787 2. Observations 5.2.614622 112 10. Evolución de los índices durante el periodo de estudio UNCP-2008 33 .977465 112 Cuadro 3.739269 0.309166 112 3.225296 0.002530 0.007627 0.000790 0.262813 0.001688 0.004228 0.249170 0.006390 1. Dev.002760 0.10591 0.1 Matriz de Covarianzas COVARIANCE MATRIX BANCOS MINERAS SERVICIOS BANCOS MINERAS SERVICIOS DIVERSAS 0.001879 0.

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

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

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

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

.610 20.1 Date: 07/19/08 Time: 17:54 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .876 21.065 -0.002 0. |*** .0 -. | | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 12 AC 0. .805 20.000 0.008 0.016 0.001 0.000 0. |. |* . |. |* . |.002 UNCP-2008 38 .014 -0. ESTACIONALIDAD DE LOS RENDIMIENTOS DE LOS SECTORES: 2.381 -0.115 -0. |. |* . |* . |* .738 17.148 0. |* .108 0.1 RENDIMIENTO DEL SECTOR BANCOS Tabla 2.042 0. |* . |. . . .*|. |.006 0.001 0. |* .097 0.087 18.3 99 00 01 02 03 04 05 06 07 08 REND_DINAMICO_DIVERSAS 2. |.2 .381 0.300 20. |.027 0.048 -0.004 0. .*|.059 0. . |* | | | | | | | | | | | | Partial Correlation .119 -0.008 0. .127 0. |.065 Q-Stat 16.921 26.179 PAC 0.1 -.2 -.001 0.*|.102 0. .000 17.680 30.024 0.145 0.1 .785 Prob 0. |*** .157 0.3 .005 0. |* . .300 22.004 0. .470 23.114 0.FACULTAD DE ECONOMIA .095 0.

007 -0. |. |. . .052 -0.110 PAC 0. |. |.080 0. |** .118 0. .022 0. |* . |* . |.000 0.001 39 UNCP-2008 . .030 0.039 0.910 42.028 0.093 -0. . . |. |.748 45. |.792 31.002 0.136 0.025 43. .046 0.033 0. . |* .047 -0.165 0.158 0.065 36.2 RENDIMIENTO DEL SECTOR MINERAS Tabla 2.116 0. .009 0. |* . .149 43.*|.845 25. |. . |* .001 0.141 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. |. |. |.097 -0.100 0.001 0. |.444 27.661 43. .035 0.070 -0. . .132 0. |. . |* .010 43.008 0. |* .022 0.020 -0.074 0. .166 40. |.109 0.*|.470 24.009 -0. |. |* .015 0.011 0.094 -0. |. |.336 0.964 16.157 -0. |* .001 0.049 0. |. .976 38.*|.028 0.020 -0.131 2. |.342 37.248 43.076 0.088 -0.051 0. |*** . |. |.065 -0. .182 25.003 0. |* .035 0.072 -0.520 37. .045 41.*|.*|.003 0.034 0.090 0.015 Q-Stat 12.*|.011 0.000 0.055 -0.033 31.609 0. |* . |* .056 0.049 0.010 0.109 21. |*** . . |. |. |. | | | | | | | | | | | | | | | | | | | | | | | | . |* | | | | | | | | | | | Partial Correlation .053 0. |.044 0. .*|.793 32. |* .048 0.122 0. |* . |.055 -0.049 -0.058 0. |.000 0.103 -0. |.297 22.110 0. |. .021 0. .084 -0. |* . |.444 35.004 0. |. .580 37.000 0.053 0. . . |.084 -0. . . .053 0. |. |.096 0. . |* . |* .047 0.336 0.059 0. .461 37.*|. .035 0.703 27.*|.037 -0.234 30. .006 0. | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 AC 0.007 0. .058 0.000 0. |* .365 37. . . .069 0.055 -0. |.2 Date: 07/19/08 Time: 17:56 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .013 0. |* .070 0.115 0.073 36.026 -0. . |.072 0. |* . .FACULTAD DE ECONOMIA . . . .759 36.000 0.004 0.746 39. .025 -0.010 0.210 0.001 0.771 Prob 0.212 45.718 29.077 0.111 0.

.820 10.018 -0.*|. .040 0. | | | | | | | | | | | | | | | | | | | | | | | | | .015 -0.521 31.493 36. . |. |. |.001 -0.026 0.053 -0.005 0.032 -0. .*|. .031 -0.143 36. . .269 0.899 32.080 -0. |. .009 -0. . . . . |. |. |. |.007 0.112 0. . | | | | | | | | | Partial Correlation .015 0. |. .004 0.102 0. |. |.526 37. .037 32. |. |** .080 0. . |. .3155 10.902 0.014 0. . .046 0.807 31. |.*|. |. .080 0. |.010 0.024 0. |. |* .108 0. |* .068 -0. . |. |. . .058 -0.003 -0.032 -0.036 -0.310 0. . .521 31. .027 -0. .265 0.048 -0.022 0. |. |. .051 -0. |.050 0. |. |. . . |. .032 0.037 0.093 -0. . .002 0.046 -0.920 37. |.020 -0. |.141 -0. .436 37.3 RENDIMIENTO DEL SECTOR SERVICIOS Tabla 2. |.078 0.274 35. .899 31.115 0.649 32.059 0.049 -0.058 -0.297 32.084 -0.015 -0.005 0.286 32. .931 39. .*|. |.436 37.*|. .*|. |.262 40 UNCP-2008 .553 10.074 0.050 0.009 -0.*|.*|.044 -0. |.*|. .064 0.206 0. |.FACULTAD DE ECONOMIA .048 0.038 0. . |.000 -0.840 32.042 -0. . .138 0.232 0.337 0.017 0.572 31.*|.005 0. |. .043 -0.989 34. |.550 10. |* | | | | | | | | | 1 2 3 4 5 6 7 8 9 AC 0.085 -0. |.0497 8.148 0.001 -0.540 37.477 37. .109 31.081 0.082 Q-Stat 8. . .202 Prob 0.*|.077 0. . |.265 -0.240 34. |. .007 -0.032 0. .110 -0. . |* . |.029 0.003 0. . |.926 11.013 -0. |.147 0.029 0. |.198 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 0.047 PAC 0.022 0.063 0.032 0. .3 Date: 07/19/08 Time: 17:59 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .640 10.042 -0. |** .165 0.007 0.301 2. |. |. |.130 0.*|.000 -0.032 -0. |. .043 -0.016 0.099 0.233 36.107 0. .016 0.051 -0. . . |* . |. |.660 10. . .*|.

|. |*** .086 11. |.000 0. |.115 0.492 17. |. .047 -0.029 -0.241 11. |.021 -0. .974 14.888 0.768 2.017 0.014 -0. |** . . |.*|.666 0.035 0.056 -0. |.591 18.894 13.024 -0.606 0.311 16.137 0. .012 52. .056 0.058 -0. |.753 0.042 Q-Stat 22.010 -0.4 Date: 07/19/08 Time: 18:00 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .076 -0. |.048 0.030 0.4 RENDIMIENTO DEL SECTOR DIVERSAS Tabla 2.045 -0. |* . |.392 11.742 33. |. .589 0. . |.031 -0.491 22.033 -0.281 11. |.658 0.015 0.126 -0. .138 0.219 28.027 -0. |.088 0.045 0.130 -0. .007 -0.025 -0.201 0. |.680 0.012 -0.459 41. |*** .*|.533 0. |. |. .001 12.731 29.668 0.919 48. .030 -0. .658 28. .*|. .012 -0.053 0. . |* . |** .700 41. |.669 0. .110 -0. . . |. |* .610 0. .061 -0. .106 -0. . |.339 0. |* . . . | | | | | | | | 1 2 3 4 5 6 7 8 AC 0.648 0. .607 0.026 -0.016 -0.006 0.000 41 UNCP-2008 . .059 15. . .*|.510 12. |.076 18.000 0.420 0.702 0. |. |* .000 0. . | | | | | | | | | | | | | | | | | | | | | | | | | | | 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 0.741 Prob 0. |.753 0. .835 0.037 -0. |. |.*|. .246 0. |** .100 -0. .*|.147 0.*|.741 0. |. . . |.015 -0.036 0. |. .445 0.568 0. .004 -0.030 -0. |. .730 0. |.056 0.742 0. .158 -0.798 0.111 -0.059 0.103 18. .018 0.056 -0.257 0.115 -0. .725 0.212 28. |.000 0. |. |* | | | | | | | | Partial Correlation . . |. |.FACULTAD DE ECONOMIA .244 29.*|.*|.*|. |.307 0.164 -0.062 0.018 0. .195 27.192 18. .170 18. .226 0.135 PAC 0. |** . |. .496 0. |** .587 25.013 -0.041 -0.408 13.869 0. |.000 0.007 -0. .445 0.*|. | | | | | | | | | | | | | | | | | | | | | | | | | | | . |. . |.697 0. |. |. |* .017 -0.513 57.000 0. |. . .*|. .082 0.893 55. |. . .869 16. . . |.196 29.000 0.

. |* .164 -0.038 0.017 -0.*|. .*|.207 0.126 0.303 80.134 -0. .000 0.003 -0. |* .067 0.027 -0.012 -0. |. .000 0. . .014 -0.338 82.*|.015 0.968 79.134 -0.403 0. . .939 84. |.696 81.010 0.056 75.059 -0.000 0.044 85.007 -0. |.449 84.125 0. |.000 0. . |* .049 0.170 0.307 78. . | | | | | | | | | | | | | | | | | | | | | | | | | | | | . |.681 90. |* . |.070 0.000 0.065 -0. |. |.024 0.000 0. |.*|.000 0.*|. |.006 -0. |. |. |** . .069 0.721 88. .931 69.434 78. |. .164 65.000 0.028 -0. .173 0.969 85.861 78.*|. .000 0. . .000 0.073 0.000 0.*|. |* . . |. |.469 78. .000 0.*|. |.000 0.129 0. .059 75. .037 -0.037 -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. |. . . .189 0.000 0. .*|.000 0.053 0. .022 0.000 0. .000 0.080 -0.*|. |* . .FACULTAD DE ECONOMIA . . .000 0.*|. |.043 -0. |. |.578 75.004 0.000 0.028 -0.000 0.054 75. . |* .101 0. |.071 0.009 79. |. |* . . |. |.016 -0. .420 78.012 62. . |.000 0.004 0.064 -0.000 0. |.043 -0.640 79.158 -0.663 80.066 -0.189 0. . |. . |. |.000 0.065 0. .*|.937 84.085 -0.000 0.030 0.*|. |. .028 0. |* . .135 0.415 78. |* .000 0.051 -0.000 0. .000 0.048 -0. .032 -0.000 a) SECTOR BANCOS: UNCP-2008 42 . . .653 76.066 -0. |. |.

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

682363 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).694237 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S. Linear Trend Lag Length: 2 (Automatic based on SIC.199575 0.2) D(BANCOS(-2).073559 0.9510 0.793757 3.0000 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.D.46563 0.000227 t-Statistic -10.53075 -4.147684 0.130517 -2.1589 2.E. 0.344371 0.53075 4.001061 0.110768 -0.* 0.061612 Prob.0000 0.045236 -3.091225 0.774941 0.000000 Mean dependent var S.451959 -3.FACULTAD DE ECONOMIA Null Hypothesis: D(BANCOS) has a unit root Exogenous: Constant.40E-05 0.557320 131. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.707963 0.9120 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 44 .336277 -2.151440 Prob.0003 0. -10.101670 0.212104 58. Error 0.092227 Std.015063 0.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(BANCOS.001669 -1.

FACULTAD DE ECONOMIA SECTOR MINERAS: UNCP-2008 45 .

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

0.004517 4.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(MINERAS.018067 0.089903 0.092000 0.451568 -3.845405 92.000274 t-Statistic -12.D.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).044415 -3.* 0.000302 0.19761 3.152262 0.151211 Prob.0002 0.168901 -1.E.724548 0.353136 -0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.8031 0.8577 -0. -12.9573 2.716678 0.944170 -1.084610 Std. Linear Trend Lag Length: 1 (Automatic based on SIC.838442 -0.250012 0.000000 Mean dependent var S.06376 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 47 .92E-05 0.179786 Prob.0000 0. Error 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S.19761 -4. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.FACULTAD DE ECONOMIA Null Hypothesis: D(MINERAS) has a unit root Exogenous: Constant.848663 109.857235 0.

151211 Prob.2 .2 .044415 -3.0 -. Linear Trend Lag Length: 1 (Automatic based on SIC.70684 -4.* 0.451568 -3.1 -. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. 48 -12.2 Null Hypothesis: D(SERVICIOS) has a unit root Exogenous: Constant.1 .0000 UNCP-2008 .FACULTAD DE ECONOMIA b) SECTOR SERVICIOS: Hodrick-Prescott Filter (lambda=14400) .1 -.0 -.2 99 00 01 02 03 04 05 06 07 Cycle 08 SERVICIOS Trend .1 .

726556 0.880467 -2.9854 2.106147 -2.2) C @TREND(1999M01) R-squared Adjusted R-squared S.056294 0.7659 0.99686 0.000171 t-Statistic -12.0000 0.E. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) c) SECTOR DIVERSAS: UNCP-2008 49 .70684 4.0000 0.382990 -0.869914 0.8176 -0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.332741 160.FACULTAD DE ECONOMIA Augmented Dickey-Fuller Test Equation Dependent Variable: D(SERVICIOS.003375 3.298469 0.089481 0.718743 0.280150 -0. 0.96E-05 0.147158 0.064980 Std. Error 0.001141 0.2) 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).000000 Mean dependent var S.781702 92.D.011308 0.231160 Prob.

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

843506 0.D.452358 -3.737141 0.722917 115.268992 0.306242 0.000265 t-Statistic -8.100735 Std.0026 0.0003 0.058393 0.5286 2.573637 -4.047263 -1.226280 0.884160 -0.9443 0.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.091039 0.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(DIVERSAS.85E-05 0.* 0.573637 3. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.086060 3. -8.ARCH (Marquardt) .2) D(DIVERSAS(-3).0000 0.0002 0.151673 Prob.046072 -3. Error 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) a) SECTOR BANCOS: Dependent Variable: BANCOS Method: ML .070008 Prob.353608 -0.45157 0.9536 0.162663 0.000000 Mean dependent var S.727710 3.2) D(DIVERSAS(-2).084603 0.E.501989 0.749540 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S.001864 0.Normal distribution 51 UNCP-2008 .017648 0.897385 60.165014 -2. 0.2) 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).001030 1.

0000 0. Error 0.ARCH (Marquardt) .361077 -2.074412 -2.155715 5.D.Normal distribution UNCP-2008 52 .075217 0.2203 0.288260 1.010940 0.616683 135.003354 -0.E.288997 -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 0.937565 Prob.006650 Std. 0.231381 Mean dependent var S.003992 0. of regression Sum squared resid Log likelihood 0.966141 1. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat b) SECTOR MINERAS: Dependent Variable: MINERAS Method: ML .000669 0.021764 0.0635 0.855941 0.007093 z-Statistic 0.3485 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.

D.315816 Mean dependent var S.740262 0.0000 0.018357 0. 0.030239 Std.E.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. of regression Sum squared resid Log likelihood 0.099436 6.4591 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat c) SECTOR SERVICIOS: Dependent Variable: SERVICIOS Method: ML .854253 114.001161 0.ARCH (Marquardt) .2851 0.008564 z-Statistic 3. Error 0.088528 0.914417 1.073609 -0.0004 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.106429 0.530969 Prob.987234 -1.Normal distribution Date: 07/19/08 Time: 00:48 UNCP-2008 53 .087726 -1.000009 -0.029984 0.007090 0.

6260 0.010875 Std.255423 -0. Error 0.000311 0.0219 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.467467 Mean dependent var S.052776 -3.000058 -0.292552 Prob.046460 -0.D.011275 0.938361 1.Normal distribution Date: 07/19/08 Time: 00:53 Sample (adjusted): 1999M02 2008M05 UNCP-2008 54 .966705 0. of regression Sum squared resid Log likelihood 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat d) SECTOR DIVERSAS: Dependent Variable: DIVERSAS Method: ML .018408 0.309184 171.3337 0.ARCH (Marquardt) .0000 0.011178 -2.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. 0.048061 9.004743 z-Statistic 2.E.053259 0.002875 -0.

018879 0.611513 1.0294 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.093840 -1.876671 -1.803854 1.0935 0. Error 0.020842 Std.977974 108.D.007332 0.000521 -0.0000 0.001307 0. 0.141794 5.018711 0.178039 Prob.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 0.2761 0.104248 Mean dependent var S.154436 -0.089162 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat MODELO GARCH DE ORDEN UNCP-2008 55 .094722 0. of regression Sum squared resid Log likelihood 0.E.009569 z-Statistic 2.

084255 0.300785 1.059845 Prob. Julio del 2008 UNCP-2008 56 .002284 -0.006982 z-Statistic 1.E.D.0334 0.074412 -2.030125 0.549212 -0.FACULTAD DE ECONOMIA Dependent Variable: REND_BANCOS Method: ML .007400 Std.397875 -2.010940 0.0049 0. of regression Sum squared resid Log likelihood 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Ciudad Universitaria.179252 -0.075524 0.2810 0.331660 2.ARCH (Marquardt) .2892 Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.007104 0.127482 -1.232695 Mean dependent var S.616025 138.0977 0. Error 0.813392 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. 0.655946 0.002525 0.

Sign up to vote on this title
UsefulNot useful