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

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

MIneria.Con lo cual el índice acumuló una disminución del 10. Ademas satisfacer inquietudes del publico en general.4 % por ejemplo en el lapso señalado. Servicios. vender con una marcada tendencia bajista es casi imposible. su capital se le redujo a 89.  Inversiones estancadas y menos oportunidades de inversión. Entre los probables factores explicativos de esta caída sobresalen el descenso de los precios internacionales de los metales. b) OBJETIVO ESPECIFICO: UNCP-2008 7 . por cuanto en la BVL el sector minero tiene una presencia preponderante. 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. 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. etc. Bancos. es decir. lo cual es sustancialmente menor. perdió 10.4 nuevos soles hasta el 15 del mismo mes (ayer).6 nuevos soles. El caso es que el Índice General de la BVL -el más importante del mercado bursátil limeño y del Perú.3. OBJETIVO: a) OBJETIVO GENERAL:  Analizar el riesgo implícito en una inversión financiera o llamado también la perdida esperada en un portafolio financiero. la actuación negativa de las principales bolsas de valores del mundo. 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. Por ejemplo pierde ayer un 2 %.4. Viéndolo didácticamente. 1.FACULTAD DE ECONOMIA  Bajas ventas como consecuencia de la falta de liquidez. este amenazador resultado significa que si un inversionista apostó 100 nuevos soles un día antes del primero de mes pasado.

Software SPSS. descriptivo.  Determinar las perdidas esperadas en un portafolio financiero. 1. 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.  Hallar las variables causantes de riesgo financiero en una inversión y analizar el comportamiento de cada una de ellas. utilizando técnicas estadísticas tradicionales. puesto que el Valor en Riesgo es un método para cuantificar la perdida que se podría sufrir en condiciones normales de mercados. Software eviews. METODOLOGÍA: Parta el presente proyecto de investigación se utilizara una metodología que vincula el enfoque: cuantitativo.6. DISEÑO METODOLOGICO: a) POBLACION: La población de estudio del presente proyecto de investigación esta orientada a todas las entidades financieras registradas por la SBS. para detectar si el efecto de un factor asociado explica la influencia del cambio sobre la variable relacionada. METODOS: El principal método que se va ah emplear para desarrollar el presente proyecto de investigación es el VaR.FACULTAD DE ECONOMIA  Verificar el supuesto de heterocedasticidad de la serie. 1.7. 1. es decir observar el comportamiento de la varianza de esta.5. Software Microsoft Excel. De ello que este es una medida estadística de riesgo utilizada frecuentemente por instituciones que desean medir los riesgos en portafolios de inversión. b) MUESTRA: UNCP-2008 8 . De esta manera poder aplicar un análisis mediante la prueba estadística. 1. diagnostico y explicativo.8.

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

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

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

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

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

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

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

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

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

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

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

1. así como la su densidad de probabilidad. que se va denotar (log_rend_sector_bancos=Log (sector_mineras/sector_mineras(t-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.1.094%. en ella se muestra una estacionalidad en la media. en la cual puede observarse que muestra una Curtosis 3.1.1.FACULTAD DE ECONOMIA El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.2 (a). en la grafica 3. el cual muestra una media de 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). en la grafica 3.1(c) se presenta las 112 observaciones resultantes de dicha transformación. b) RENDIMIENTO DEL SECTOR MINERAS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.4363 superior a una distribución normal y ligero sesgo positivo (0. así como la su densidad de probabilidad.2 se muestra el histograma de la serie. en la grafica 3.1. en la grafica 3. el cual muestra una media de 1. pues esta no parece constante. pero no así en la varianza.1 (a). pero no así en la varianza.2(b) se muestra el histograma de la serie. c) RENDIMIENTO DEL SECTOR SERVICIOS: 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_bancos/sector_bancos(t-1)).2105) se observa también se muestra en el grafico 3.1(b) se presenta las 112 observaciones resultantes de dicha transformación.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien. pues esta no parece constante. entre los periodos t y t-1.1.1. entre los periodos t y t-1. pues esta no parece constante. en ella se muestra una estacionalidad en la media.5097) se observa también se muestra en el grafico 3.1. pero no así en la varianza. entre los periodos t y t-1. que se va denotar (log_rend_sector_bancos=Log (sector_servicios/sector_servivios(t-1)). UNCP-2008 20 . en la grafica 3.1.7115 superior a una distribución normal y ligero sesgo positivo (0. el cual muestra una media de 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. en la cual puede observarse que muestra una Curtosis 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).7115 superior a una distribución normal y ligero sesgo positivo (0.094%. se presenta las 112 observaciones resultantes de dicha transformación. en la cual puede observarse que muestra una Curtosis 3. Además que la prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad). en la grafica 3. así como la su densidad de probabilidad. en ella se muestra una estacionalidad en la media.094%.2105) se observa también se muestra en el grafico 3. se muestra el histograma de la serie.

en la cual puede observarse que muestra una Curtosis 3.7115 superior a una distribución normal y ligero sesgo positivo (0. 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). pero no así en la varianza. por lo tantro el proceso de lka serie pudiera ser difícil de modelar.2. La covarianza asimétrica.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien.1. que se va denotar (log_rend_sector_bancos=Log (sector_diversas/sector_diversas(t-1)).1.1. en la grafica 3.2105) se observa también se muestra en el grafico 3. UNCP-2008 21 .2.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. entre los periodos t y t-1.2 muestra que las seis tienen raíces unitarias. La evidencia sugiere que las raíces de las ecuaciones CARACTERIUSTICAS DE los procesos AR Y MA podrian tener valores complejos y. así como la su densidad de probabilidad. Al aplicar la prueba para determinar si tiene raíces unitarias las series como se muestra en la tabla 3. 3. a) SECTORES DE LA BOLSA DE VALORES DE LIMA: El Gráfico 3. Se puede observar que ambas series presentan una tendencia similar.1(d) se presenta las 112 observaciones resultantes de dicha transformación. es decir que se puede considerar a la serie del rendimiento del sector como una caminata aleatoria o un Ruido Blanco. El comportamiento asimétrico de la volatilidad hace referencia a la evidencia empírica según la cual un shock negativo sobre los rendimientos (caída inesperada del precio) conlleva un aumento de la volatilidad mayor que un shock positivo sobre los rendimientos (aumento inesperado del precio) de la misma magnitud. en ella se muestra una estacionalidad en la media. en la grafica 3. el cual muestra una media de 1.1 muestra la evolución semanal de los rendimientos de los activos en los sectores estudiados en el período de estudio. por su parte. 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. pues esta no parece constante.2.094%.1).2. 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.

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

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

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

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

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

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

0 0.074412 0.…………….(20) CONCLUSION………………………………………………….FACULTAD DE ECONOMIA 3.2.056720 UNCP-2008 28 .….739269 0..010940 0..………. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA DINAMICA…………………………...(22) RECOMENDACIÓN……………………………….1 -0.2 Series: REND_ESTATICO_BANCOS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.………….(25) ANEXOS Grafica 3.…… ..002882 0.509756 3.1.. CALCULO DEL VaR……………………………………………. Dev.(18) 3.(19) 3.…….136634 0.(24) ANEXOS…………………………………………….1.(23) BIBLIOGRAFÍA…………………………………………….436393 5. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA ESTATICA………………………………………………….……….……………………..…...1 0. Skewness Kurtosis Jarque-Bera Probability 0..3.232932 -0.2 (a) 12 10 8 6 4 2 0 -0.….

0219) 7 6 5 4 3 2 1 0 -.029984 0.1.FACULTAD DE ECONOMIA Kernel Density (Normal.25 REND_ESTATICO_BANCOS Grafica 3.1 0.195745 0.2 -0.0 0.202909 UNCP-2008 29 .05 .10 -.189991 0.2 (b) 20 16 12 8 4 0 -0. h = 0.15 -.711510 3.20 .306004 -0. Skewness Kurtosis Jarque-Bera Probability 0.2 0. Dev.10 .05 .00 .210549 3.15 .1 -0.020986 0.3 Series: REND_ESTATICO_MINERAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.087726 0.

0 . Skewness Kurtosis Jarque-Bera Probability -0.179673 -0.1.052776 -0.185267 0. h = 0.006390 8 4 0 UNCP-2008 30 .2 -. Dev.FACULTAD DE ECONOMIA Kernel Density (Normal.1 0.0 0.2 (c) 16 12 Series: REND_ESTATICO_SERVICIO Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.10591 0.465483 10.009170 0.066919 4.1 .3 REND_ESTATICO_MINERAS Grafica 3.1 0.1 .011275 0.2 .0306) 5 4 3 2 1 0 -.

2 (d) 20 16 Series: REND_ESTATICO_DIVERSAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.1 -0.20 REND_ESTATICO_SERVICIOS Grafica 3.20 -.00 .324787 12 8 4 0 UNCP-2008 31 .262364 -0.249170 0.200122 3.273293 0.15 .2 0.FACULTAD DE ECONOMIA Kernel Density (Normal.2 -0. Dev.093840 -0.05 .018711 0. h = 0.05 .567248 2.15 -. Skewness Kurtosis Jarque-Bera Probability -0.009346 0.10 .0164) 9 8 7 6 5 4 3 2 1 0 -.0 0.10 -.1.1 0.

711510 0.232932 -0.465483 0.436393 0.0 . h = 0. Dev.306004 -0.195745 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.3 REND_ESTATICO_DIVERSAS Tabla 3.074412 0.567248 32 UNCP-2008 .0311) 5 4 3 2 1 0 -.262364 -0.093840 -0.2 -.1.200122 3.2 .029984 0.018711 0.066919 4.052776 -0.3 -.185267 0.1 .011275 0.009170 0.1 .136634 0.210549 3.002882 0.509756 3.FACULTAD DE ECONOMIA Kernel Density (Normal.087726 0.273293 0.179673 -0.010940 0.009346 0. Skewness Kurtosis 0.020986 0.

FACULTAD DE ECONOMIA Jarque-Bera Probability Sum Sum Sq.225296 0.1 Matriz de Covarianzas COVARIANCE MATRIX BANCOS MINERAS SERVICIOS BANCOS MINERAS SERVICIOS DIVERSAS 0.006390 1.262813 0.056720 1.004228 0.854246 112 2.002468 0.008727 Gráficos Gráfico 1.002760 0.001879 DIVERSAS 0.324787 2.202909 3. Observations 5.2.095614 0.001688 0. Evolución de los índices durante el periodo de estudio UNCP-2008 33 .000790 0.309166 112 3.10591 0.005488 0. Dev.977465 112 Cuadro 3.002530 0.001879 0.007627 0.358196 0.189991 0.000790 0.001688 0.004228 0.002468 0.249170 0.614622 112 10.739269 0.002530 0.

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

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

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

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

805 20.008 0.000 0. |* .005 0.048 -0.738 17. .087 18.0 -.680 30. |.127 0.042 0.179 PAC 0.119 -0.059 0.006 0. . |.876 21.097 0.114 0. .1 .024 0. |* .1 -. |* .300 20.001 0. ESTACIONALIDAD DE LOS RENDIMIENTOS DE LOS SECTORES: 2.001 0. |.610 20.3 .3 99 00 01 02 03 04 05 06 07 08 REND_DINAMICO_DIVERSAS 2.1 Date: 07/19/08 Time: 17:54 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . |.381 0.145 0.115 -0. | | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 12 AC 0. |* .004 0. .470 23. |* . |.157 0.095 0.014 -0. |. .016 0.004 0.102 0.065 -0. .785 Prob 0. |* . .FACULTAD DE ECONOMIA .148 0.001 0.065 Q-Stat 16.027 0. |* . |* .002 UNCP-2008 38 . |.2 .108 0.300 22. |.002 0. . |* .381 -0. |*** .008 0.*|.1 RENDIMIENTO DEL SECTOR BANCOS Tabla 2. .*|. |*** .2 -. .000 17.*|. |. .921 26.000 0. |* | | | | | | | | | | | | Partial Correlation .

.149 43. |*** .748 45.006 0.004 0. . |* .910 42.003 0. |* .336 0.115 0. .007 -0. | | | | | | | | | | | | | | | | | | | | | | | | .003 0.028 0. .234 30.059 0. |.*|.116 0.FACULTAD DE ECONOMIA .055 -0.073 36.609 0. .093 -0.088 -0. |.166 40.069 0.049 -0.065 -0.004 0. .2 Date: 07/19/08 Time: 17:56 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .000 0. |* .056 0.248 43. |* . .141 0.035 0.661 43.165 0. . . |. |* .*|. . |.118 0. . |* .090 0.053 0.058 0. |* . . |. |*** .182 25. |. |* .009 0.297 22. .097 -0.084 -0.365 37. |. |* | | | | | | | | | | | Partial Correlation .049 0. .759 36. . |.000 0. |. |* .026 -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. |* .045 41.845 25. |. .034 0. |. .461 37.2 RENDIMIENTO DEL SECTOR MINERAS Tabla 2. |* . .065 36.*|.212 45. .336 0.039 0.011 0. |. .025 -0.053 0.046 0.052 -0.028 0.020 -0.033 0.010 0. |.013 0.015 0.020 -0. |. . .035 0.074 0.035 0.072 -0.011 0. .010 0. .*|.010 43. |. .076 0.000 0. |.*|.047 0.077 0. .001 0. |* . .580 37.002 0.210 0. |. . |.001 39 UNCP-2008 .048 0.096 0.084 -0.021 0.158 0. |. .109 21.157 -0. |* . |* . |* . .718 29.444 35.000 0.051 0.070 0. |.*|.058 0.037 -0. |. |* . . |.136 0.001 0.109 0. |. . |.793 32.094 -0.080 0.022 0. . . .110 PAC 0. . .964 16. . |* .110 0.015 Q-Stat 12.001 0.976 38. |.342 37.103 -0.000 0.703 27. .100 0. |.072 0.*|.070 -0. |.025 43.049 0.*|.792 31.746 39.007 0. . |* .000 0.033 31. .009 -0. |.044 0.520 37.132 0. |.444 27.771 Prob 0.030 0.*|.055 -0. |.470 24.047 -0. |** . . |.131 2. .022 0.111 0.055 -0. |.008 0. |. |. |. |.122 0. |* .001 0. |.053 0. |* . | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 AC 0.

840 32. .042 -0. |.007 -0.3155 10.001 -0.*|. . |. |.*|.000 -0.017 0. .059 0. |. |. . . .058 -0.310 0. .044 -0.037 32.109 31.032 0.572 31. |. . .*|.050 0.926 11. .018 -0.078 0.493 36.029 0.240 34.*|.297 32.115 0.138 0.521 31.016 0. .3 RENDIMIENTO DEL SECTOR SERVICIOS Tabla 2. |. | | | | | | | | | | | | | | | | | | | | | | | | | . .015 -0.198 0. | | | | | | | | | Partial Correlation .005 0.899 32.130 0. |.286 32.032 0. . |. .*|.022 0.099 0.043 -0. .050 0.032 0. . |.058 -0. . |.265 0. |. . |* .*|. . |.010 0.032 -0.022 0. |.553 10.043 -0. |.274 35.*|. |.093 -0.232 0. |.112 0. .048 -0. |. . |* . |. . .820 10.080 0. |.053 -0. .920 37.007 0.047 PAC 0.262 40 UNCP-2008 . |* . .660 10. . |.005 0.009 -0. |** . |.015 -0.108 0.931 39.550 10. .269 0. . |.526 37.029 0.084 -0.051 -0.436 37.148 0. . |.649 32. |.521 31.004 0.013 -0. |.807 31. |.640 10.031 -0. .202 Prob 0. .*|. |.*|.014 0. . .007 0.051 -0. |.082 Q-Stat 8. |.040 0.233 36. . |.036 -0.265 -0.026 0. .037 0.899 31. |.989 34.032 -0.*|.009 -0. |.337 0. .048 0. .042 -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 0.436 37. . |.081 0. . . .902 0.046 -0. . . . .001 -0. |.077 0.024 0.FACULTAD DE ECONOMIA .074 0.110 -0. |.141 -0.046 0.027 -0. |.003 0.063 0.064 0.143 36.068 -0.165 0. .032 -0.301 2. |.049 -0.477 37.0497 8. .*|.015 0. |. |** . |* | | | | | | | | | 1 2 3 4 5 6 7 8 9 AC 0.*|. |.080 -0.002 0. |.085 -0. |.147 0.005 0.003 -0. . . . |.000 -0. . . .020 -0.3 Date: 07/19/08 Time: 17:59 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . .016 0. |* . .080 0. |.038 0.206 0. . |.107 0.*|. |. |.540 37. |. . .102 0.

013 -0.137 0. |.056 0.000 0.*|. |** .086 11. . |.138 0. |** .*|. .035 0.513 57.741 0.033 -0. . |* .088 0.016 -0. .281 11.021 -0.042 Q-Stat 22. |. |. . |.*|. |. |.026 -0. .610 0. |.246 0. . |.012 -0. .059 15. |.130 -0.658 28.*|.459 41. |* .*|.974 14. . |* | | | | | | | | Partial Correlation .076 -0.226 0.725 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 0.058 -0. .036 0.000 0. |. .533 0.048 0.510 12. |.869 0. |.170 18. |. |. . . |.*|. .056 0.100 -0.496 0.212 28.587 25.894 13.015 0. .893 55.658 0.017 -0. |** .FACULTAD DE ECONOMIA .059 0. .018 0.037 -0.000 0.030 -0.030 0.648 0.047 -0.445 0.061 -0.045 -0. .888 0.869 16.*|. .568 0.004 -0.017 0. |.835 0. .*|. |. . |.000 0. . . |. |.024 -0.053 0.702 0.666 0.027 -0.768 2.192 18.000 0.*|. |.147 0. |.244 29.158 -0.082 0. |** .062 0. . .025 -0. |* . . .015 -0. .445 0.607 0.014 -0. |. .001 12.045 0. | | | | | | | | | | | | | | | | | | | | | | | | | | | . |.030 -0.241 11. |. |.135 PAC 0. |.103 18. .700 41. | | | | | | | | 1 2 3 4 5 6 7 8 AC 0. .012 52.076 18.798 0.164 -0. .731 29.742 0. . .000 0. .*|.491 22.115 0. |. |.219 28.753 0. . |.668 0.591 18. |. .669 0.730 0.056 -0.000 0. |.000 41 UNCP-2008 .106 -0. .*|.056 -0. .606 0. |.339 0. |* .010 -0.111 -0. |* .*|. .041 -0. |*** .589 0.029 -0. |. |*** .126 -0. . .007 -0. |.018 0.006 0.697 0. .012 -0.195 27. |. |** .408 13.741 Prob 0.031 -0. |. .919 48.753 0. . |. |* .392 11. . |. |.4 RENDIMIENTO DEL SECTOR DIVERSAS Tabla 2.492 17. . |.307 0.311 16.420 0.680 0.115 -0.196 29. . |.742 33.201 0. .110 -0. . . . |.007 -0. . .257 0.4 Date: 07/19/08 Time: 18:00 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .

.049 0.126 0.043 -0. .*|. |. . .937 84.010 0. .338 82.134 -0.000 0.FACULTAD DE ECONOMIA .000 0. . .*|.*|.000 0.038 0. |* .073 0.000 0. .696 81.000 0.012 62.070 0.048 -0.037 -0.000 0.012 -0.022 0. |* .000 0.931 69. .014 -0.578 75. |. |.051 -0. |* .101 0.000 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 0.016 -0.164 -0.189 0.069 0.000 0.067 0.469 78. .*|.059 -0.663 80. . . . .065 0. |.053 0. . |. | | | | | | | | | | | | | | | | | | | | | | | | | | | | .173 0.000 0.000 0. |. . |.189 0.449 84.015 0. . . .007 -0.024 0. .000 a) SECTOR BANCOS: UNCP-2008 42 . |.000 0.043 -0. |.125 0. |. |. |.000 0.000 0.066 -0. |* .*|. |.307 78.164 65.434 78. .028 0.968 79.*|. .000 0. .009 79. |* .000 0.006 -0.085 -0.135 0.000 0. |* . .640 79. . |.004 0.420 78.065 -0.054 75.207 0. . |.*|. .653 76.*|.*|.004 0. |.*|. |.969 85.861 78. .037 -0.030 0.000 0. |. |.003 -0. . .939 84.681 90.129 0.066 -0.064 -0. |.721 88. . |.158 -0. |. .170 0. |.080 -0. .059 75.403 0.000 0.000 0. |. |. .027 -0. |.*|.415 78.*|. .032 -0.028 -0. .000 0. . |* . |. |.000 0. . |* . |. .071 0. |* .000 0.000 0. .303 80.044 85. |** .*|.000 0. |. .028 -0.056 75. . |.134 -0.000 0. |.000 0. |* .017 -0.

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

061612 Prob. 0.110768 -0.682363 0.015063 0.451959 -3.46563 0.199575 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 44 . -10.073559 0.344371 0.147684 0.557320 131.* 0.40E-05 0. Linear Trend Lag Length: 2 (Automatic based on SIC.9120 0.001669 -1.130517 -2.1589 2.101670 0.091225 0.793757 3.D.0000 0.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(BANCOS.694237 0.774941 0.0003 0.E.000000 Mean dependent var S.000227 t-Statistic -10.707963 0.53075 4.9510 0.001061 0. Error 0.092227 Std.53075 -4.336277 -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).151440 Prob.2) D(BANCOS(-2). 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(BANCOS) has a unit root Exogenous: Constant.0000 0.212104 58.045236 -3.

FACULTAD DE ECONOMIA SECTOR MINERAS: UNCP-2008 45 .

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

92E-05 0.151211 Prob. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.089903 0. Linear Trend Lag Length: 1 (Automatic based on SIC.* 0.838442 -0.179786 Prob.19761 -4.FACULTAD DE ECONOMIA Null Hypothesis: D(MINERAS) has a unit root Exogenous: Constant. -12.845405 92.092000 0.716678 0.000000 Mean dependent var S.152262 0.2) 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).018067 0.353136 -0.D.004517 4. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 47 .0000 0.0002 0.084610 Std.000302 0.000274 t-Statistic -12.044415 -3.848663 109. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.8577 -0.8031 0.944170 -1.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(MINERAS. Error 0.451568 -3.E.19761 3.9573 2.724548 0. 0.857235 0.250012 0.06376 0.168901 -1.2) C @TREND(1999M01) R-squared Adjusted R-squared S.

451568 -3.1 .2 Null Hypothesis: D(SERVICIOS) has a unit root Exogenous: Constant.FACULTAD DE ECONOMIA b) SECTOR SERVICIOS: Hodrick-Prescott Filter (lambda=14400) .0 -.1 .2 .0 -. 48 -12.0000 UNCP-2008 .* 0.044415 -3. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.1 -.2 . Linear Trend Lag Length: 1 (Automatic based on SIC.151211 Prob.2 99 00 01 02 03 04 05 06 07 Cycle 08 SERVICIOS Trend .1 -.70684 -4.

298469 0.781702 92.718743 0.70684 4. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.003375 3.869914 0.D.089481 0.000000 Mean dependent var S. Error 0.064980 Std.8176 -0.011308 0.147158 0.231160 Prob.0000 0. 0.99686 0.000171 t-Statistic -12.056294 0.726556 0.7659 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).FACULTAD DE ECONOMIA Augmented Dickey-Fuller Test Equation Dependent Variable: D(SERVICIOS.106147 -2.001141 0.332741 160.96E-05 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) c) SECTOR DIVERSAS: UNCP-2008 49 .2) C @TREND(1999M01) R-squared Adjusted R-squared S.382990 -0.880467 -2.E.280150 -0.0000 0.9854 2.

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

0.ARCH (Marquardt) .070008 Prob.0000 0.165014 -2.017648 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).0003 0.0002 0.* 0.884160 -0.573637 -4.452358 -3.85E-05 0.001864 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) a) SECTOR BANCOS: Dependent Variable: BANCOS Method: ML .E.9443 0.000265 t-Statistic -8.353608 -0.306242 0.046072 -3.45157 0. Error 0.091039 0.162663 0.047263 -1.268992 0.100735 Std.722917 115.2) D(DIVERSAS(-2).058393 0.0026 0.226280 0.000000 Mean dependent var S.501989 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2. -8.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.2) C @TREND(1999M01) R-squared Adjusted R-squared S.084603 0.573637 3.9536 0.151673 Prob.D.5286 2.737141 0.843506 0.727710 3.001030 1.086060 3.Normal distribution 51 UNCP-2008 .749540 0.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(DIVERSAS.897385 60.2) D(DIVERSAS(-3).

Error 0.ARCH (Marquardt) .361077 -2.006650 Std.021764 0.3485 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.E. 0.003992 0. of regression Sum squared resid Log likelihood 0.0000 0.155715 5.003354 -0.010940 0.0635 0.075217 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat b) SECTOR MINERAS: Dependent Variable: MINERAS Method: ML .074412 -2.000669 0.007093 z-Statistic 0.966141 1.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 0.616683 135.Normal distribution UNCP-2008 52 .855941 0.288997 -0.231381 Mean dependent var S.288260 1.2203 0.937565 Prob.D.

dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat c) SECTOR SERVICIOS: Dependent Variable: SERVICIOS Method: ML .018357 0.ARCH (Marquardt) .030239 Std. of regression Sum squared resid Log likelihood 0.530969 Prob.087726 -1. 0.D.2851 0.073609 -0.008564 z-Statistic 3.4591 0.001161 0.0000 0.854253 114.987234 -1.000009 -0.106429 0.0004 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.088528 0.Normal distribution Date: 07/19/08 Time: 00:48 UNCP-2008 53 .914417 1. Error 0.E.007090 0.099436 6.315816 Mean dependent var S.029984 0.740262 0.FACULTAD DE ECONOMIA Date: 07/19/08 Time: 00:51 Sample (adjusted): 1999M02 2008M05 Included observations: 112 after adjustments Convergence achieved after 11 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 Coefficient C 0.

018408 0.048061 9.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 0.004743 z-Statistic 2.0000 0.255423 -0.011275 0.052776 -3.D.E.6260 0.966705 0.467467 Mean dependent var S.010875 Std.002875 -0. Error 0.000058 -0.309184 171.053259 0.046460 -0.938361 1.3337 0. of regression Sum squared resid Log likelihood 0.Normal distribution Date: 07/19/08 Time: 00:53 Sample (adjusted): 1999M02 2008M05 UNCP-2008 54 .ARCH (Marquardt) . 0.0219 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat d) SECTOR DIVERSAS: Dependent Variable: DIVERSAS Method: ML .292552 Prob.000311 0.011178 -2.

009569 z-Statistic 2.000521 -0. of regression Sum squared resid Log likelihood 0.094722 0.2761 0.089162 0.007332 0.0294 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.803854 1.093840 -1.977974 108.E.0935 0.876671 -1. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat MODELO GARCH DE ORDEN UNCP-2008 55 .611513 1.104248 Mean dependent var S.178039 Prob.001307 0.0000 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. 0.020842 Std.018711 0. Error 0.154436 -0.D.018879 0.141794 5.

059845 Prob.616025 138.2810 0.300785 1.0334 0.127482 -1.331660 2. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Ciudad Universitaria.0049 0. 0.002525 0. Error 0.E.007400 Std.549212 -0.075524 0.D.006982 z-Statistic 1.655946 0.074412 -2.FACULTAD DE ECONOMIA Dependent Variable: REND_BANCOS Method: ML .030125 0.179252 -0. of regression Sum squared resid Log likelihood 0.813392 2.232695 Mean dependent var S.002284 -0.007104 0.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 0.397875 -2.2892 Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.0977 0. Julio del 2008 UNCP-2008 56 .084255 0.010940 0.ARCH (Marquardt) .

Sign up to vote on this title
UsefulNot useful