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

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

Bancos.FACULTAD DE ECONOMIA  Bajas ventas como consecuencia de la falta de liquidez. lo cual es sustancialmente menor. Servicios. MIneria. b) OBJETIVO ESPECIFICO: UNCP-2008 7 .3. etc. Ademas satisfacer inquietudes del publico en general. 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. El caso es que el Índice General de la BVL -el más importante del mercado bursátil limeño y del Perú. Por ejemplo pierde ayer un 2 %.6 nuevos soles. este amenazador resultado significa que si un inversionista apostó 100 nuevos soles un día antes del primero de mes pasado. 1. Entre los probables factores explicativos de esta caída sobresalen el descenso de los precios internacionales de los metales.4 % por ejemplo en el lapso señalado.  Inversiones estancadas y menos oportunidades de inversión.4. por cuanto en la BVL el sector minero tiene una presencia preponderante. OBJETIVO: a) OBJETIVO GENERAL:  Analizar el riesgo implícito en una inversión financiera o llamado también la perdida esperada en un portafolio financiero. perdió 10. es decir. 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. la actuación negativa de las principales bolsas de valores del mundo.4 nuevos soles hasta el 15 del mismo mes (ayer). su capital se le redujo a 89.Con lo cual el índice acumuló una disminución del 10. Viéndolo didácticamente. vender con una marcada tendencia bajista es casi imposible. 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.

6. diagnostico y explicativo. para detectar si el efecto de un factor asociado explica la influencia del cambio sobre la variable relacionada. METODOLOGÍA: Parta el presente proyecto de investigación se utilizara una metodología que vincula el enfoque: cuantitativo. 1.  Determinar las perdidas esperadas en un portafolio financiero. Software SPSS. b) MUESTRA: UNCP-2008 8 .FACULTAD DE ECONOMIA  Verificar el supuesto de heterocedasticidad de la serie. 1.  Hallar las variables causantes de riesgo financiero en una inversión y analizar el comportamiento de cada una de ellas. 1. es decir observar el comportamiento de la varianza de esta. puesto que el Valor en Riesgo es un método para cuantificar la perdida que se podría sufrir en condiciones normales de mercados. METODOS: El principal método que se va ah emplear para desarrollar el presente proyecto de investigación es el VaR. Software Microsoft Excel.8. DISEÑO METODOLOGICO: a) POBLACION: La población de estudio del presente proyecto de investigación esta orientada a todas las entidades financieras registradas por la SBS. 1.5. De ello que este es una medida estadística de riesgo utilizada frecuentemente por instituciones que desean medir los riesgos en portafolios de inversión. utilizando técnicas estadísticas tradicionales.7. Software eviews. 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. De esta manera poder aplicar un análisis mediante la prueba estadística. descriptivo.

por la otra. 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.FACULTAD DE ECONOMIA La muestra para el presente proyecto de investigación se toma en función del tiempo y espacio. 2000.2 El mercado de capitales es un elemento fundamental para el crecimiento económico de un país. 2006. y. tal es así. y el análisis fundamental había cobrado gran importancia a raíz de la gran depresión del 29. con el objetivo de seleccionar los valores idóneos para invertir en ellos. MARCO TEORICO: 2. generación de empleos. ESTADO DEL ARTE: Después de una revisión de trabajos relacionados al nuestro. permite a las empresas y al Estado obtener fondos del público con la finalidad de financiar sus actividades económicas y sociales.pdf www. 1 www. el análisis de las inversiones bursátiles.com/Pdf/19031.cnv.ve/documentos/artespeciales/marzo2006/articuloespecial_1_22032006. sino basados en el estudio de los estados financieros de las empresas y del sector en el que desarrollan su actividad. no quiere ello decir que fuese la única variable de estudio en el análisis de inversiones bursátiles. Autor: Comisión Nacional De Valores.1 Hasta los años cincuenta. y en general. lo cual se traduce en mayor producción de bienes y servicios. se encontró lo siguientes: RIESGO.pdf 2 UNCP-2008 9 . en bienestar económico y social. EL MERCADO VELEZOLANO DE CAPITALES ES SEGURO Y TRANSPARENTE.gob.edesclee. 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. La rentabilidad obtenida era la variable de decisión. Precisamente esta depresión hizo notar la necesidad de tomar decisiones de inversión en bolsa con criterios no especulativos. III.1. Autor: Fuensanta Galán Herrero. se realizaba tomando como variable de decisión la rentabilidad que el título y/o la cartera habían producido en periodos anteriores. el análisis técnico era una herramienta ampliamente empleada en el estudio de valores. RENTABILIDAD Y EFICIENCIA DE CARTERAS DE VALORES. sin tener en cuenta el riesgo inherente a la inversión. A principios del siglo XX. Por una parte.

pdf UNCP-2008 10 . si se prefiere una inversión más segura.pdf www. alcanzando precios espectaculares las acciones que cotizan de diversos sectores.FACULTAD DE ECONOMIA INVERSIONES EN ACCIONES Y PORTAFOLIOS DE INVERSIÓN. 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. comisionistas de bolsa.imcportal. firmas de abogados y personas naturales. Si se busca que la inversión sea muy rentable se van a correr muchos riegos. 2006. En el año 1. fondos de capital privado.net/finan/invpregclav.997 hubo un Boom de la Bolsa de Valores de Lima. 2003. 12 de Junio del 2008.pdf 4 5 www.4 Aunque los altos precios de los commodities en los mercados internacionales hacen más rentable las actividades relacionadas con la minería. En cambio. entre ellos la posibilidad de perder parte de los ahorros. solo 3 www.com/newsfiles/20080615031218.net/publicaciones/PUBLICACION_BOLSA%20DE %20VALORES_CARLOS_CONGONA_REVILLA. en el primer trimestre de ese año los precios en especial de las empresas mineras subieron impulsados por los precios internacionales de los metales. las ganancias que se pueden esperar son menores. bancas de inversión. fondos de pensiones. Autor: Carlos Raúl CONGONA REVILLA. Pero para ello es aconsejable que se tome tiempo para pensar un poco e informarse. en Colombia las inversiones en este sector son riesgosas. Si se invierte bien se está asegurando el futuro. Autor: Representante general de IMC. Autor: Arturo Morales Castro. invertir es seguramente la mejor manera de lograrlo. LA BOLSA DE VALORES DE LIMA: LA MÁS RENTABLE DEL MUNDO.3 Si el objetivo es que el capital financiero se incremente.5 Tal como parece. fiduciarias.joseacontreras. aseguradoras. los ciclos económicos se repiten y eso es lo que pasa con nuestra economía que no escapa a estos ciclos. porque se incrementan los ahorros.isppd. SECTOR FINANCIERO PERCIBE RIESGO EN INVERSIONES MINERAS. Esta es una de las principales conclusiones de una encuesta hecha por el Ministerio de Minas y Energía entre entidades bancarias.

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

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

riesgofinanciero. La kurtosis positiva indica una distribución relativamente apuntada. divisas. "alambrada". elección de los factores de riesgo. y modelos teóricos de la estructura intertemporal de tasas de interés] y estimación del valor en riesgo. 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. ajuste de la curva de rendimiento y métodos de interpolación [interpolación lineal. En una distribución normal la kurtosis es igual a 3. 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). Leptokurtosis se denomina al atributo de una distribución con muy altos índices de kurtosis. d) Modelos de valor en riesgo de mercado: Donde se analizan: modelos de simulación histórica. instrumentos de deuda o de renta fija. si el sesgo es positivo la distribución una tendrá una cola asimétrica extendida hacia los valores positivos. e) Estimación del VaR de los instrumentos financieros y derivados9: Donde se analizan: acciones. Skewness o sesgo: Medida estadística que describe la simetría de la distribución alrededor de un promedio. clases de instrumentos de deuda. Modelos Delta-Gamma. modelos de portafolio o de varianza-covarianza. Concluye con otras aproximaciones incluyendo la aplicación de Duración y Convexidad. "mapping" de RiskMetrics. a los valores mayores a 3 se los llama kurtosis excesiva.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. UNCP-2008 13 . la distribución es simétrica. regresión. adecuaciones al modelo de portafolio [ Modelos de Mezcla de Normales. Un sesgo negativo indica una distribución con una cola asimétrica extendida hacia los valores negativos. y la negativa indica una distribución relativamente achatada.com/0424LibroVaRcsc. Además este 9 http:www. Modelo DeltaVaR].

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

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

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

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

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

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

el cual muestra una media de 1.2 se muestra el histograma de la serie. en ella se muestra una estacionalidad en la media. en la grafica 3. b) RENDIMIENTO DEL SECTOR MINERAS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima. en la cual puede observarse que muestra una Curtosis 3. pues esta no parece constante.1. entre los periodos t y t-1.094%.7115 superior a una distribución normal y ligero sesgo positivo (0. así como la su densidad de probabilidad.1. en ella se muestra una estacionalidad en la media. Además que la prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).5097) se observa también se muestra en el grafico 3.1(b) se presenta las 112 observaciones resultantes de dicha transformación. en la cual puede observarse que muestra una Curtosis 3.1.FACULTAD DE ECONOMIA El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima. que se va denotar (log_rend_sector_bancos=Log (sector_mineras/sector_mineras(t-1)). pero no así en la varianza. que se va denotar (log_rend_sector_bancos=Log (sector_servicios/sector_servivios(t-1)). en la cual puede observarse que muestra una Curtosis 3.1. en la grafica 3.1(c) se presenta las 112 observaciones resultantes de dicha transformación.1 (a). así como la su densidad de probabilidad.4363 superior a una distribución normal y ligero sesgo positivo (0. en ella se muestra una estacionalidad en la media. así como la su densidad de probabilidad. entre los periodos t y t-1. se muestra el histograma de la serie. en la grafica 3. en la grafica 3. se presenta las 112 observaciones resultantes de dicha transformación. que se va denotar (log_rend_sector_bancos=Log (sector_bancos/sector_bancos(t-1)). en la grafica 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.094%.1.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien. el cual muestra una media de 1. pues esta no parece constante. en la grafica 3. pero no así en la varianza.1.2105) se observa también se muestra en el grafico 3.1. pero no así en la varianza.2 (a).094%. entre los periodos t y t-1.2(b) se muestra el histograma de la serie. UNCP-2008 20 .2105) se observa también se muestra en el grafico 3. 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. pues esta no parece constante.7115 superior a una distribución normal y ligero sesgo positivo (0.3(c) la prueba de Kernel donde la grafica muestra que la distribución se acerca a una distribución normal pero este no se ajusta bien. c) RENDIMIENTO DEL SECTOR SERVICIOS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.1. Además que pa prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad). el cual muestra una media de 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. Además que pa prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).1.2.094%.1 muestra la evolución semanal de los rendimientos de los activos en los sectores estudiados en el período de estudio. 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. 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. Al aplicar la prueba para determinar si tiene raíces unitarias las series como se muestra en la tabla 3.2. por lo tantro el proceso de lka serie pudiera ser difícil de modelar. La evidencia sugiere que las raíces de las ecuaciones CARACTERIUSTICAS DE los procesos AR Y MA podrian tener valores complejos y.1(d) se presenta las 112 observaciones resultantes de dicha transformación. 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.2. UNCP-2008 21 . en la cual puede observarse que muestra una Curtosis 3.7115 superior a una distribución normal y ligero sesgo positivo (0. pues esta no parece constante.2105) se observa también se muestra en el grafico 3.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. el cual muestra una media de 1.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien. a) SECTORES DE LA BOLSA DE VALORES DE LIMA: El Gráfico 3. La covarianza asimétrica. en la grafica 3. 3. que se va denotar (log_rend_sector_bancos=Log (sector_diversas/sector_diversas(t-1)). es decir que se puede considerar a la serie del rendimiento del sector como una caminata aleatoria o un Ruido Blanco. en ella se muestra una estacionalidad en la media. en la grafica 3.1. por su parte. entre los periodos t y t-1.2. así como la su densidad de probabilidad. Se puede observar que ambas series presentan una tendencia similar. pero no así en la varianza.2 muestra que las seis tienen raíces unitarias.1).1.

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

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. UNCP-2008 23 . siendo mayor la volatilidad para ambos al comienzo y al final del periodo muestral que en los periodos intermedios. lo que indica que los rendimientos de los índices bursátiles se ven afectados por el comportamiento de la volatilidad en el periodo anterior. 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).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. que en este caso son valores próximos a uno. ∝ es la constante.1). mientras que en los modelos de volatilidad estocástica la volatilidad es función de un proceso estocástico no observable. Se puede apreciar la evolución de la volatilidad en los rendimientos de los índices bursátiles en el periodo muestral estudiado. 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. 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. La persistencia de la volatilidad está medida por los valores estimados de _1+_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. y t representa a los rendimientos de los índices bursátiles. lo que implica que el proceso es estacionario. para que el proceso sea estacionario y no degenere. los modelos ARCH y GARCH y todas sus posibles variantes y por otro lado. _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. En la estimación del modelo GARCH(1. Además. Estos modelos se diferencian entre sí en la forma de modelizar la volatilidad. los modelos de volatilidad estocástica. Nosotros vamos a añadir el supuesto de normalidad. se puede apreciar que todos los parámetros son significativos. lo que implica que el agrupamiento de la volatilidad ya no es tan acentuado. entre los que se pueden destacar básicamente dos tipos: por un lado.

Para ello. 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. existe transmisión de volatilidad entre ambos tipos de empresas en las dos direcciones. 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 . australiano y nipón. por tanto.  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. puesto que los estudios empíricos existentes hasta el momento se han centrado en el mercado estadounidense.  En primer lugar.

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

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

(14) 2.….(6) 1..........……………. (7) 1. ESTADO DEL ARTE…………………………...…. (7) 1.(5) 1.(5) 1. DESCRIPCION DEL PROYECTO.. OBJETIVO………………………………………………………………. TEORIAS METODOLOGICAS…………….8.5.……………. MATERIALES………………………………………………….(17) III. MARCO TEORICO………………………………..2... FORMULACION DEL PROBLEMA…………………………………..….………………………..(7) II.(1) RESUMEN……………………………………….(10) 2.1.4..…….. PLANTEAMIENTO DEL PROBLEMA………………………………...……………………………………....2.(8) 2.6...7.. HIPOTESIS………………………………………….(8) 2.......…………………………..... METODOS………………………….(5) 1....…..3. JUSTIFICACIÓN DEL PROBLEMA…………………………………...(3) I.......……………. METODOLOGÍA………………………………………………….FACULTAD DE ECONOMIA INDICE INTRODUCCIÓN………………………………………………..…......(6) 1...(18) UNCP-2008 27 ..1.4.……. MARCO CONCEPTUAL……………………..3... RESULTADO Y ANALISIS……………....……………………….. DISEÑO METODOLOGICO……………………………………….………..…………………...(7) 1....

…………..…………….……….2 Series: REND_ESTATICO_BANCOS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.436393 5.(19) 3.0 0. Skewness Kurtosis Jarque-Bera Probability 0.……….FACULTAD DE ECONOMIA 3.010940 0.(24) ANEXOS…………………………………………….….509756 3.….(22) RECOMENDACIÓN………………………………. CALCULO DEL VaR…………………………………………….... Dev.…….1. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA DINAMICA………………………….1.1 -0.739269 0..….002882 0.(23) BIBLIOGRAFÍA…………………………………………….136634 0.……………………. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA ESTATICA………………………………………………….074412 0.2 (a) 12 10 8 6 4 2 0 -0..3..232932 -0.2.(18) 3.1 0..056720 UNCP-2008 28 .…… .(25) ANEXOS Grafica 3...(20) CONCLUSION………………………………………………….

10 .15 -.1 0.3 Series: REND_ESTATICO_MINERAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std. Dev.195745 0.2 (b) 20 16 12 8 4 0 -0.210549 3.05 .20 .10 -.2 0.25 REND_ESTATICO_BANCOS Grafica 3.05 .00 .15 .FACULTAD DE ECONOMIA Kernel Density (Normal.029984 0. h = 0.1 -0.2 -0.087726 0.020986 0.0 0.202909 UNCP-2008 29 .711510 3.306004 -0.1.0219) 7 6 5 4 3 2 1 0 -.189991 0. Skewness Kurtosis Jarque-Bera Probability 0.

Skewness Kurtosis Jarque-Bera Probability -0.2 (c) 16 12 Series: REND_ESTATICO_SERVICIO Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.006390 8 4 0 UNCP-2008 30 .052776 -0.1 .1 . Dev.066919 4. h = 0.009170 0.011275 0.3 REND_ESTATICO_MINERAS Grafica 3.FACULTAD DE ECONOMIA Kernel Density (Normal.0 .2 -.0306) 5 4 3 2 1 0 -.1.2 .185267 0.0 0.465483 10.1 0.1 0.10591 0.179673 -0.

324787 12 8 4 0 UNCP-2008 31 .05 .200122 3.2 -0.10 .249170 0.1 -0.262364 -0.2 (d) 20 16 Series: REND_ESTATICO_DIVERSAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.10 -.00 .009346 0.0164) 9 8 7 6 5 4 3 2 1 0 -.FACULTAD DE ECONOMIA Kernel Density (Normal.018711 0. Skewness Kurtosis Jarque-Bera Probability -0.273293 0.15 .2 0.1.567248 2.093840 -0.05 .20 -.15 -.20 REND_ESTATICO_SERVICIOS Grafica 3. Dev.0 0. h = 0.1 0.

1.1 .009170 0.273293 0.436393 0.0 .093840 -0.066919 4.306004 -0.011275 0.009346 0.200122 3.262364 -0.010940 0.185267 0.020986 0.052776 -0.2 -. Skewness Kurtosis 0.136634 0.210549 3.074412 0.002882 0.3 -.087726 0. Dev.1.029984 0.232932 -0.179673 -0.711510 0. h = 0.465483 0.0311) 5 4 3 2 1 0 -.195745 0.FACULTAD DE ECONOMIA Kernel Density (Normal.567248 32 UNCP-2008 .1 .3 REND_ESTATICO_DIVERSAS Tabla 3.509756 3.2 . 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.018711 0.

614622 112 10.005488 0.008727 Gráficos Gráfico 1.001688 0.000790 0.001879 0.000790 0.309166 112 3.095614 0. Dev.002530 0.004228 0.002468 0.189991 0.202909 3. Evolución de los índices durante el periodo de estudio UNCP-2008 33 .739269 0.2.002530 0.002468 0.FACULTAD DE ECONOMIA Jarque-Bera Probability Sum Sum Sq.10591 0.249170 0.007627 0.854246 112 2.001879 DIVERSAS 0.056720 1.006390 1.225296 0.002760 0.1 Matriz de Covarianzas COVARIANCE MATRIX BANCOS MINERAS SERVICIOS BANCOS MINERAS SERVICIOS DIVERSAS 0. Observations 5.004228 0.324787 2.262813 0.001688 0.358196 0.977465 112 Cuadro 3.

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

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

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

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

|* .610 20.1 . |. .095 0.004 0. |* . |.381 0.087 18. .042 0.1 Date: 07/19/08 Time: 17:54 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .002 0.027 0.000 0.738 17.145 0. |* . |* . .014 -0.0 -.059 0.115 -0. |.3 .006 0.*|. .065 -0.876 21.921 26. |*** . .119 -0. .000 0. |.157 0.008 0.114 0.381 -0.001 0.008 0. |* . | | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 12 AC 0. ESTACIONALIDAD DE LOS RENDIMIENTOS DE LOS SECTORES: 2.1 RENDIMIENTO DEL SECTOR BANCOS Tabla 2. |* .004 0. |.148 0. |.300 20.805 20. .127 0.005 0. |* .097 0.785 Prob 0.680 30.1 -.300 22.*|. . |. |* .102 0.2 .FACULTAD DE ECONOMIA .024 0. .048 -0.179 PAC 0. |. . |*** .2 -.002 UNCP-2008 38 .001 0. |* .3 99 00 01 02 03 04 05 06 07 08 REND_DINAMICO_DIVERSAS 2.470 23. |.065 Q-Stat 16.016 0. |* | | | | | | | | | | | | Partial Correlation .001 0.000 17.108 0.*|. .

. |* .342 37. . |. . |. .111 0. .845 25. .096 0. . .069 0.165 0.093 -0. .*|.718 29.182 25.080 0. |* .053 0. .070 0.100 0. .444 27. |. .609 0.058 0. | | | | | | | | | | | | | | | | | | | | | | | | . |.074 0. |*** . |* .*|. |.004 0.070 -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 0.008 0.006 0. |.028 0.007 -0.210 0.048 0.077 0. |* .022 0.009 0.037 -0.003 0.520 37. |. |.131 2.045 41. |.056 0. |. |. .132 0.030 0.058 0.336 0.053 0.103 -0.910 42.013 0.059 0.055 -0.703 27.065 -0.025 43.094 -0.2 RENDIMIENTO DEL SECTOR MINERAS Tabla 2.759 36.470 24. |.248 43. |.118 0. |** .461 37. |* .166 40.035 0. . |* .046 0.001 0.034 0.212 45. . . |. |.122 0.053 0. |.090 0.076 0. . |* .088 -0.020 -0. .793 32. |.047 -0.033 0. |* .976 38.039 0. .000 0. |. |* . |* | | | | | | | | | | | Partial Correlation .009 -0.015 0.072 -0.109 0. .297 22.116 0.011 0. |.028 0.336 0.771 Prob 0.000 0.035 0. |* .157 -0. |.746 39. |. . |. .001 39 UNCP-2008 . . |* .444 35. |. . .748 45.001 0.055 -0.026 -0.*|. |.035 0.001 0. .055 -0. .110 0.073 36. |.792 31.010 0.149 43. |.365 37.001 0.661 43. |.051 0. . .049 0. |*** . . .158 0.084 -0. .580 37. |.234 30.*|.084 -0.002 0.*|. |* .097 -0. |.010 0. .021 0. |.003 0.109 21.136 0. |* . |* .033 31.*|.025 -0. |. |.010 43. |.065 36.964 16.*|. |.052 -0. . |* .000 0.000 0.072 0. | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 AC 0.020 -0.007 0. |* . |. .*|. |* .110 PAC 0.047 0.049 0. .*|. . . |. . |* . .004 0.015 Q-Stat 12.141 0.022 0. .049 -0. |.115 0. |* .011 0.000 0.044 0. .FACULTAD DE ECONOMIA . . |* .000 0.2 Date: 07/19/08 Time: 17:56 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .

899 32.032 -0.477 37.043 -0.3 RENDIMIENTO DEL SECTOR SERVICIOS Tabla 2.493 36.015 -0. .112 0.550 10.649 32. .040 0. .078 0. |* .027 -0.138 0. |.058 -0. |.*|.032 -0.337 0. |.032 -0. |.003 -0. . |** . |.029 0. |. .015 0. |.521 31.037 32.038 0.*|.031 -0.053 -0. .109 31.081 0.032 0. . .001 -0. |. . |.048 -0.043 -0. .022 0.115 0.265 0. . |.044 -0. |.042 -0.108 0. |. .017 0.050 0. |.042 -0.262 40 UNCP-2008 .000 -0.206 0.310 0. |.005 0.077 0.436 37.074 0.010 0.016 0. .037 0. . .032 0.989 34.640 10.926 11.899 31.*|.009 -0. |.820 10. |. .807 31. .FACULTAD DE ECONOMIA .016 0. |* .202 Prob 0.920 37.3 Date: 07/19/08 Time: 17:59 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . . | | | | | | | | | | | | | | | | | | | | | | | | | 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 0.660 10.572 31. .*|. . |.301 2. |.102 0.*|.*|.902 0. |.165 0. . |. . .059 0. |.840 32.058 -0.269 0. |* . . . .009 -0. |.*|.141 -0.099 0.063 0.014 0.080 0. |.048 0. . . |. .046 0.015 -0. . |. |.232 0.007 0.148 0.*|. . . |.110 -0.005 0.029 0. . |. . . . |. . .047 PAC 0.002 0.526 37.143 36.*|.286 32. .*|. |.553 10.130 0.436 37.0497 8.005 0.051 -0.093 -0.085 -0.007 0.003 0. . |.147 0. |* . |. . .000 -0. |. |.080 0. . |. |. |. . .*|. | | | | | | | | | | | | | | | | | | | | | | | | | .274 35.026 0.022 0.540 37. |** . .521 31. . |.024 0.084 -0. . . .*|.064 0. |.020 -0. .050 0.265 -0.*|.032 0. .233 36. |. .018 -0.049 -0.051 -0. |.068 -0. | | | | | | | | | Partial Correlation . . .107 0. |. |* | | | | | | | | | 1 2 3 4 5 6 7 8 9 AC 0.001 -0. . |. |. .082 Q-Stat 8.3155 10. |.080 -0.931 39. |. |. |.297 32.198 0.004 0. .013 -0.240 34.007 -0.036 -0.046 -0.

|.730 0.111 -0. .000 0. .013 -0. . .007 -0.307 0. |. .201 0.035 0. .053 0.869 0. |* . . |* .568 0.668 0.048 0.000 0.510 12.731 29.138 0. .513 57.103 18.033 -0. |** .196 29.036 0.680 0.893 55.012 -0.*|. |* .100 -0.010 -0. |.420 0. .311 16.056 0.241 11. . | | | | | | | | | | | | | | | | | | | | | | | | | | | .445 0.392 11. |.658 0.589 0. |. |. |* .115 -0.741 0. .106 -0. |.192 18. |** . |* .697 0. |* | | | | | | | | Partial Correlation .000 0. |.753 0.110 -0.725 0. . |.*|. .015 -0.042 Q-Stat 22.219 28. | | | | | | | | | | | | | | | | | | | | | | | | | | | 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 0.030 -0. |.056 -0.029 -0. .012 -0.016 -0. . .658 28. . . .700 41. .135 PAC 0. |** . |.212 28.669 0.000 41 UNCP-2008 . |. |.869 16.000 0.768 2. . .058 -0.587 25. |.041 -0.888 0.006 0.492 17. |.018 0. |.281 11.666 0. |. . | | | | | | | | 1 2 3 4 5 6 7 8 AC 0.753 0.126 -0. .496 0. .045 -0.000 0.459 41. . .339 0. |*** .408 13.533 0.164 -0.FACULTAD DE ECONOMIA .026 -0.076 18. . . |. |.018 0.000 0.076 -0. |** . . . |.137 0.*|. . |. .491 22.246 0.835 0. . |. |.*|.*|. . .257 0.919 48.607 0.017 -0. . .017 0. |. . . .742 33.742 0. . |.047 -0. |.*|.056 -0.606 0.082 0.015 0. |.*|. |. |. .4 RENDIMIENTO DEL SECTOR DIVERSAS Tabla 2.000 0.*|. |.702 0. . |.*|.*|. |* .030 -0.027 -0. |.056 0. .086 11. |*** .001 12.031 -0.4 Date: 07/19/08 Time: 18:00 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . |.014 -0. .*|.061 -0. |.025 -0.059 15.130 -0.741 Prob 0. |.974 14.158 -0. . |.591 18. .088 0.244 29.012 52.147 0.115 0.894 13.004 -0.*|. |.170 18. |** .226 0. |. |.030 0. |.195 27.062 0.648 0. .798 0.045 0.059 0. . |.445 0. .037 -0.610 0. |. |. |.024 -0.021 -0. .007 -0. .

|. . |. . .032 -0. |.*|. |.189 0. |* .126 0.164 -0. |.000 0.059 -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. .403 0. |* .037 -0.070 0. .051 -0.000 0. |. . |.000 0. |* . . |. |. |.000 0.134 -0.012 62. |. |* . .207 0. |. |* . |. . |.000 0.*|. |* .968 79. . . .303 80.415 78. |.000 0.000 0.017 -0. . . .065 -0. . |* .028 -0.067 0. .000 0. |.056 75.085 -0. .000 0.*|.129 0. |.006 -0.054 75.043 -0.000 0.066 -0.038 0.015 0.000 0. .004 0.027 -0.003 -0. .044 85.064 -0.721 88.173 0.696 81.000 0.016 -0.030 0.*|.*|. .469 78.012 -0.024 0.000 0. |. .338 82.101 0. .000 a) SECTOR BANCOS: UNCP-2008 42 .000 0. .000 0.000 0. |. |. . |.*|.420 78.000 0.069 0.009 79. . .931 69.434 78. . . |.134 -0. .640 79.*|.000 0.*|.000 0. |.135 0.170 0.022 0.065 0.*|.028 -0. .028 0. |* . |* .000 0.010 0. |.007 -0. .014 -0.000 0.164 65.663 80. . . .*|.000 0.066 -0.158 -0.*|.037 -0. |** . |. |.969 85.307 78.080 -0.071 0.048 -0. |.053 0.578 75.681 90.059 75.000 0. .861 78.000 0. |. | | | | | | | | | | | | | | | | | | | | | | | | | | | | .939 84.FACULTAD DE ECONOMIA .049 0. |. . .*|. |* .000 0.043 -0. .*|.004 0.189 0.125 0. . .000 0. . |. |. .937 84.000 0.449 84. |.073 0.653 76.

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

0000 0.000227 t-Statistic -10.110768 -0.46563 0.0000 0.557320 131.FACULTAD DE ECONOMIA Null Hypothesis: D(BANCOS) has a unit root Exogenous: Constant.694237 0.793757 3.2) D(BANCOS(-2). 0.001669 -1.199575 0.53075 -4.000000 Mean dependent var S.9510 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.151440 Prob.045236 -3.015063 0.344371 0.682363 0. Error 0.707963 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.091225 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S.073559 0.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(BANCOS.336277 -2.2) 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).774941 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 44 . Linear Trend Lag Length: 2 (Automatic based on SIC.40E-05 0.212104 58.9120 0.061612 Prob.0003 0. -10.E.101670 0.001061 0.1589 2.092227 Std.D.451959 -3.53075 4.147684 0.* 0.130517 -2.

FACULTAD DE ECONOMIA SECTOR MINERAS: UNCP-2008 45 .

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

D.044415 -3.168901 -1.92E-05 0.* 0.838442 -0.000000 Mean dependent var S.018067 0.179786 Prob. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(MINERAS.19761 -4.724548 0.857235 0. Linear Trend Lag Length: 1 (Automatic based on SIC.089903 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S. 0.0000 0.152262 0.004517 4.944170 -1.848663 109.8577 -0.716678 0.000302 0.353136 -0.19761 3.092000 0.000274 t-Statistic -12.845405 92. -12.250012 0.451568 -3. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 47 .06376 0.FACULTAD DE ECONOMIA Null Hypothesis: D(MINERAS) has a unit root Exogenous: Constant.9573 2.8031 0.0002 0. Error 0.084610 Std.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.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).151211 Prob.

1 .1 .2 . 48 -12.2 99 00 01 02 03 04 05 06 07 Cycle 08 SERVICIOS Trend .FACULTAD DE ECONOMIA b) SECTOR SERVICIOS: Hodrick-Prescott Filter (lambda=14400) .70684 -4.1 -.0000 UNCP-2008 .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.044415 -3.2 .1 -.0 -.2 Null Hypothesis: D(SERVICIOS) has a unit root Exogenous: Constant.451568 -3. Linear Trend Lag Length: 1 (Automatic based on SIC.151211 Prob.* 0.

E.332741 160.726556 0.000171 t-Statistic -12.2) C @TREND(1999M01) R-squared Adjusted R-squared S.0000 0.011308 0.231160 Prob. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.064980 Std.106147 -2.298469 0.96E-05 0.056294 0.001141 0.000000 Mean dependent var S.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).70684 4.FACULTAD DE ECONOMIA Augmented Dickey-Fuller Test Equation Dependent Variable: D(SERVICIOS.7659 0.382990 -0.8176 -0.869914 0.718743 0.0000 0. Error 0.003375 3.280150 -0.9854 2.147158 0.D.99686 0.089481 0. 0.781702 92.880467 -2. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) c) SECTOR DIVERSAS: UNCP-2008 49 .

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

0026 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).046072 -3.2) D(DIVERSAS(-3).722917 115. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) a) SECTOR BANCOS: Dependent Variable: BANCOS Method: ML .9443 0.* 0.000000 Mean dependent var S.5286 2.001864 0.017648 0.0003 0. -8. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.737141 0.001030 1.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.0000 0.D.268992 0.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(DIVERSAS.047263 -1.2) C @TREND(1999M01) R-squared Adjusted R-squared S.151673 Prob.884160 -0.084603 0.226280 0.45157 0.727710 3.306242 0.2) D(DIVERSAS(-2).0002 0.162663 0. Error 0.573637 3.E.9536 0. 0.091039 0.897385 60.749540 0.ARCH (Marquardt) .000265 t-Statistic -8.452358 -3.573637 -4.058393 0.501989 0.85E-05 0.165014 -2.086060 3.843506 0.353608 -0.Normal distribution 51 UNCP-2008 .070008 Prob.100735 Std.

003992 0.616683 135. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat b) SECTOR MINERAS: Dependent Variable: MINERAS Method: ML .021764 0. 0.231381 Mean dependent var S.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 0.2203 0.074412 -2.288997 -0.000669 0.Normal distribution UNCP-2008 52 .937565 Prob.361077 -2.3485 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.ARCH (Marquardt) .006650 Std.855941 0.010940 0.D.007093 z-Statistic 0. Error 0.E.288260 1. of regression Sum squared resid Log likelihood 0.075217 0.155715 5.0635 0.003354 -0.0000 0.966141 1.

073609 -0.007090 0.0004 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.000009 -0.740262 0. Error 0.018357 0.Normal distribution Date: 07/19/08 Time: 00:48 UNCP-2008 53 .001161 0.029984 0.0000 0.530969 Prob. 0.106429 0. of regression Sum squared resid Log likelihood 0.030239 Std.2851 0.088528 0.315816 Mean dependent var S.008564 z-Statistic 3.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 0.854253 114.987234 -1.4591 0.E.914417 1.ARCH (Marquardt) .099436 6.D.087726 -1. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat c) SECTOR SERVICIOS: Dependent Variable: SERVICIOS Method: ML .

0219 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.004743 z-Statistic 2.000058 -0.018408 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 0.309184 171.010875 Std. of regression Sum squared resid Log likelihood 0.938361 1. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat d) SECTOR DIVERSAS: Dependent Variable: DIVERSAS Method: ML .3337 0.011275 0.Normal distribution Date: 07/19/08 Time: 00:53 Sample (adjusted): 1999M02 2008M05 UNCP-2008 54 .000311 0.ARCH (Marquardt) .E.011178 -2.292552 Prob.6260 0.966705 0.002875 -0. 0.046460 -0.255423 -0. Error 0.D.0000 0.467467 Mean dependent var S.048061 9.053259 0.052776 -3.

104248 Mean dependent var S.0294 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.018879 0.611513 1.0935 0.009569 z-Statistic 2. of regression Sum squared resid Log likelihood 0.094722 0.803854 1.000521 -0.876671 -1.093840 -1.977974 108.154436 -0.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 0.089162 0.141794 5. Error 0.001307 0.E.178039 Prob.018711 0.007332 0.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat MODELO GARCH DE ORDEN UNCP-2008 55 .0000 0. 0.2761 0.020842 Std.

549212 -0. Error 0.2810 0.006982 z-Statistic 1.0977 0.030125 0.002284 -0.813392 2.179252 -0.300785 1.084255 0.232695 Mean dependent var S.059845 Prob.007104 0.0334 0. of regression Sum squared resid Log likelihood 0.075524 0.ARCH (Marquardt) .2892 Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Ciudad Universitaria.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. Julio del 2008 UNCP-2008 56 .E.397875 -2.127482 -1.D.655946 0.0049 0.331660 2.002525 0.074412 -2.010940 0. 0.007400 Std.616025 138.FACULTAD DE ECONOMIA Dependent Variable: REND_BANCOS Method: ML .