P. 1
Juu

Juu

|Views: 24|Likes:

More info:

Published by: Mario Franchescoli Buendia Valderrama on May 27, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

12/09/2013

pdf

text

original

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

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

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

b) MUESTRA: UNCP-2008 8 . descriptivo.  Determinar las perdidas esperadas en un portafolio financiero. Software eviews. Software SPSS. METODOS: El principal método que se va ah emplear para desarrollar el presente proyecto de investigación es el VaR. para detectar si el efecto de un factor asociado explica la influencia del cambio sobre la variable relacionada. 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. es decir observar el comportamiento de la varianza de esta. 1.FACULTAD DE ECONOMIA  Verificar el supuesto de heterocedasticidad de la serie. METODOLOGÍA: Parta el presente proyecto de investigación se utilizara una metodología que vincula el enfoque: cuantitativo.7. Software Microsoft Excel.5.6. utilizando técnicas estadísticas tradicionales. 1. puesto que el Valor en Riesgo es un método para cuantificar la perdida que se podría sufrir en condiciones normales de mercados. 1. DISEÑO METODOLOGICO: a) POBLACION: La población de estudio del presente proyecto de investigación esta orientada a todas las entidades financieras registradas por la SBS. diagnostico y explicativo.8. De ello que este es una medida estadística de riesgo utilizada frecuentemente por instituciones que desean medir los riesgos en portafolios de inversión. De esta manera poder aplicar un análisis mediante la prueba estadística.  Hallar las variables causantes de riesgo financiero en una inversión y analizar el comportamiento de cada una de ellas. 1.

tal es así. sino basados en el estudio de los estados financieros de las empresas y del sector en el que desarrollan su actividad.gob. lo cual se traduce en mayor producción de bienes y servicios. 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. y el análisis fundamental había cobrado gran importancia a raíz de la gran depresión del 29. y. Autor: Fuensanta Galán Herrero. no quiere ello decir que fuese la única variable de estudio en el análisis de inversiones bursátiles.pdf 2 UNCP-2008 9 . el análisis de las inversiones bursátiles. Autor: Comisión Nacional De Valores. ofrece a los inversores individuales e institucionales diversos tipos de títulos valores para diversificar sus inversiones ajustándose a sus preferencias de riesgo y rendimiento esperado.1.1 Hasta los años cincuenta. 1 www. En la selección de valores subyacía la hipótesis de certeza. A principios del siglo XX. sin tener en cuenta el riesgo inherente a la inversión. generación de empleos.cnv. MARCO TEORICO: 2. se encontró lo siguientes: RIESGO. y en general. Por una parte. en bienestar económico y social.2 El mercado de capitales es un elemento fundamental para el crecimiento económico de un país. permite a las empresas y al Estado obtener fondos del público con la finalidad de financiar sus actividades económicas y sociales. con el objetivo de seleccionar los valores idóneos para invertir en ellos.edesclee. 2006.com/Pdf/19031. Precisamente esta depresión hizo notar la necesidad de tomar decisiones de inversión en bolsa con criterios no especulativos. 2000. el análisis técnico era una herramienta ampliamente empleada en el estudio de valores. EL MERCADO VELEZOLANO DE CAPITALES ES SEGURO Y TRANSPARENTE. por la otra. III. La rentabilidad obtenida era la variable de decisión. ESTADO DEL ARTE: Después de una revisión de trabajos relacionados al nuestro. se realizaba tomando como variable de decisión la rentabilidad que el título y/o la cartera habían producido en periodos anteriores.pdf www.ve/documentos/artespeciales/marzo2006/articuloespecial_1_22032006. RENTABILIDAD Y EFICIENCIA DE CARTERAS DE VALORES.FACULTAD DE ECONOMIA La muestra para el presente proyecto de investigación se toma en función del tiempo y espacio.

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

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

 Riesgo operativo Definición. medidas de comportamiento ajustadas por riesgo. la pérdida que ocurrirá puede ser igual o mayor a $250.000. clasificación de los riesgos operativos. c) Valor en Riesgo (VaR)8: Es un método para cuantificar la exposición al riesgo de mercado. un modelo de riesgo operativo. Por ejemplo. ejemplos de quebrantos a causa de eventos operativos. en condiciones normales. Analiza los modelos para estimar el riesgo de crédito: el modelo paramétrico. Credit Risk +. Es una medida estadística de riesgo utilizada frecuentemente por instituciones que desean medir los riesgos en portafolios de inversión.htm http://www. solamente 1 día de cada 20 días de operación del mercado (1/20 = 5%). concluyenndo con otras aproximaciones. 7 8 http:publicaciones/TEXTOS/riesgo. el riesgo de liquidez.FACULTAD DE ECONOMIA liquidez. estimación del riesgo operativo. un inversionista que tiene un portafolio de activos por un valor de 10 millones de pesos.  Riesgo de crédito 7 Este capitulo parte de la definición y la naturaleza del problema.00.com/pr06. 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. control del riesgo operativo. importancia del riesgo operativo. podría establecer que el VaR diario de su portafolio es $250. el "spread" y el horizonte de inversión según Basilea y en la elección óptima del horizonte de inversión. CreditMetrics. el modelo binominal de riesgo neutral y modelos de probabilidad de incumplimiento condicional.riesgofinanciero.htm UNCP-2008 12 . utilizando técnicas estadísticas tradicionales. En otras palabras.000 con un 95% de nivel de confianza.

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

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

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

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

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

j) INDICE DE PRECIOS: El índice Precio / Ganancia muestra el tiempo. se expresa -en general.FACULTAD DE ECONOMIA efectuará una reconfiguración de la estructura del indicador. 2. en la Bolsa de Comercio de Buenos Aires. en años. 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. además no están relacionadas con el comportamiento de su pasado.a tanto por unidad de valor nominal..  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. que le demandaría al inversor recuperar el precio de la acción.4. UNCP-2008 18 . 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. se utiliza como denominador el resultado de los últimos doce meses por unidad de valor nominal de capital. tomándose como lapso de referencia los seis meses anteriores.

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

pues esta no parece constante. en ella se muestra una estacionalidad en la media. en la grafica 3. así como la su densidad de probabilidad. UNCP-2008 20 .094%.1. se muestra el histograma de la serie. en la grafica 3.1. b) RENDIMIENTO DEL SECTOR MINERAS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima. entre los periodos t y t-1. en la grafica 3. que se va denotar (log_rend_sector_bancos=Log (sector_servicios/sector_servivios(t-1)).1. Además que la prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).2(b) se muestra el histograma de la serie.7115 superior a una distribución normal y ligero sesgo positivo (0. pues esta no parece constante.1 (a).4363 superior a una distribución normal y ligero sesgo positivo (0.7115 superior a una distribución normal y ligero sesgo positivo (0.5097) se observa también se muestra en el grafico 3. entre los periodos t y t-1. así como la su densidad de probabilidad.1.1. así como la su densidad de probabilidad. en ella se muestra una estacionalidad en la media. el cual muestra una media de 1. en la cual puede observarse que muestra una Curtosis 3.1. el cual muestra una media de 1.1(b) se presenta las 112 observaciones resultantes de dicha transformación. entre los periodos t y t-1.2105) se observa también se muestra en el grafico 3. pero no así en la varianza. c) RENDIMIENTO DEL SECTOR SERVICIOS: 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. 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. el cual muestra una media de 1. en la grafica 3. que se va denotar (log_rend_sector_bancos=Log (sector_bancos/sector_bancos(t-1)).2 (a).1.2105) se observa también se muestra en el grafico 3. pero no así en la varianza. en la grafica 3. pues esta no parece constante. que se va denotar (log_rend_sector_bancos=Log (sector_mineras/sector_mineras(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. en la cual puede observarse que muestra una Curtosis 3.FACULTAD DE ECONOMIA El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.094%. Además que pa prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).2 se muestra el histograma de la serie.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(c) se presenta las 112 observaciones resultantes de dicha transformación. pero no así en la varianza.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 ella se muestra una estacionalidad en la media.094%. se presenta las 112 observaciones resultantes de dicha transformación.

FACULTAD DE ECONOMIA d) RENDIMIENTO DEL SECTOR DIVERSAS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima. pues esta no parece constante. 3.1. 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.2.2105) se observa también se muestra en el grafico 3. en ella se muestra una estacionalidad en la media. es decir que se puede considerar a la serie del rendimiento del sector como una caminata aleatoria o un Ruido Blanco. en la grafica 3.1.1).1. UNCP-2008 21 . el cual muestra una media de 1. 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. La covarianza asimétrica. a excepción de la serie de rendimiento de l sector servicios el cual muestra que no tiene raíces unitaria y muestra que es una serie estacionaria.2. en la grafica 3.1 muestra la evolución semanal de los rendimientos de los activos en los sectores estudiados en el período de estudio. Se puede observar que ambas series presentan una tendencia similar.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien. en la 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).094%. Al aplicar la prueba para determinar si tiene raíces unitarias las series como se muestra en la tabla 3.7115 superior a una distribución normal y ligero sesgo positivo (0. pero no así en la varianza. a) SECTORES DE LA BOLSA DE VALORES DE LIMA: El Gráfico 3. La evidencia sugiere que las raíces de las ecuaciones CARACTERIUSTICAS DE los procesos AR Y MA podrian tener valores complejos y.2.2(d) se muestra el histograma de la serie. que se va denotar (log_rend_sector_bancos=Log (sector_diversas/sector_diversas(t-1)).2 muestra que las seis tienen raíces unitarias. así como la su densidad de probabilidad. por lo tantro el proceso de lka serie pudiera ser difícil de modelar.2.1(d) se presenta las 112 observaciones resultantes de dicha transformación. 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. por su parte. entre los periodos t y t-1.

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

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

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

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

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

... FORMULACION DEL PROBLEMA………………………………….…………………………………….(7) 1...3.6...…. MATERIALES…………………………………………………....... METODOS…………………………. MARCO TEORICO……………………………….. JUSTIFICACIÓN DEL PROBLEMA…………………………………...……………......4.……. HIPOTESIS………………………………………….1.……….. (7) 1.(6) 1.(6) 1.. DISEÑO METODOLOGICO………………………………………..1.(7) II...7....(10) 2.(8) 2.....….(3) I..(18) UNCP-2008 27 .. RESULTADO Y ANALISIS……………. MARCO CONCEPTUAL……………………. OBJETIVO………………………………………………………………..4...FACULTAD DE ECONOMIA INDICE INTRODUCCIÓN………………………………………………....……………....………………………....…………………………..3.…………….(5) 1...……... ESTADO DEL ARTE…………………………. PLANTEAMIENTO DEL PROBLEMA………………………………. METODOLOGÍA………………………………………………….…………………..(5) 1.. (7) 1.8.2.….5.…....(17) III. DESCRIPCION DEL PROYECTO.... TEORIAS METODOLOGICAS…………….......(14) 2.(1) RESUMEN……………………………………….….………………………....2.(8) 2...(5) 1.

……….509756 3.(23) BIBLIOGRAFÍA…………………………………………….…..436393 5.……………..2.FACULTAD DE ECONOMIA 3..(25) ANEXOS Grafica 3.136634 0. Dev.1 -0.1.0 0.………….2 Series: REND_ESTATICO_BANCOS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.010940 0.002882 0.(18) 3..056720 UNCP-2008 28 .3..2 (a) 12 10 8 6 4 2 0 -0.……. CALCULO DEL VaR……………………………………………. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA DINAMICA………………………….074412 0.(22) RECOMENDACIÓN……………………………….(20) CONCLUSION…………………………………………………....…… . Skewness Kurtosis Jarque-Bera Probability 0.….(24) ANEXOS…………………………………………….1.……….232932 -0.….. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA ESTATICA………………………………………………….(19) 3.739269 0..1 0.…………………….

25 REND_ESTATICO_BANCOS Grafica 3.10 -.202909 UNCP-2008 29 .087726 0.711510 3.2 -0.20 .0219) 7 6 5 4 3 2 1 0 -.05 .1 -0.020986 0.15 -.10 .029984 0.195745 0. Skewness Kurtosis Jarque-Bera Probability 0. Dev.15 .05 .306004 -0. h = 0.FACULTAD DE ECONOMIA Kernel Density (Normal.0 0.3 Series: REND_ESTATICO_MINERAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.2 0.189991 0.1.00 .2 (b) 20 16 12 8 4 0 -0.210549 3.1 0.

006390 8 4 0 UNCP-2008 30 .179673 -0.066919 4. h = 0.1 0.2 .011275 0.3 REND_ESTATICO_MINERAS Grafica 3.1 .1.052776 -0.009170 0.2 -.10591 0.185267 0.0 0.0306) 5 4 3 2 1 0 -.1 .0 .1 0.FACULTAD DE ECONOMIA Kernel Density (Normal. Skewness Kurtosis Jarque-Bera Probability -0.2 (c) 16 12 Series: REND_ESTATICO_SERVICIO Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std. Dev.465483 10.

0164) 9 8 7 6 5 4 3 2 1 0 -.093840 -0.15 .2 (d) 20 16 Series: REND_ESTATICO_DIVERSAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.1 0.262364 -0.10 .009346 0.00 .15 -.05 .2 -0.20 -.1 -0. h = 0.200122 3.2 0.0 0.567248 2.FACULTAD DE ECONOMIA Kernel Density (Normal.10 -.249170 0.1.20 REND_ESTATICO_SERVICIOS Grafica 3.018711 0.324787 12 8 4 0 UNCP-2008 31 . Dev.273293 0. Skewness Kurtosis Jarque-Bera Probability -0.05 .

1.185267 0. Principales Estadísticos de las Series de Rendimientos de Cada Sector Date: 07/19/08 Time: 19:52 Sample: 1999M01 2008M12 REND_BANC REND_SERVI REND_MINER REND_DIVER OS CIOS AS SAS Mean Median Maximum Minimum Std.273293 0.FACULTAD DE ECONOMIA Kernel Density (Normal.029984 0.1.567248 32 UNCP-2008 .195745 0.232932 -0.509756 3.1 .018711 0.066919 4.200122 3.002882 0.2 .179673 -0.074412 0.3 -. Skewness Kurtosis 0.011275 0.009346 0.093840 -0.0311) 5 4 3 2 1 0 -.711510 0. Dev.009170 0.262364 -0.2 -.1 .0 .3 REND_ESTATICO_DIVERSAS Tabla 3.136634 0.010940 0.087726 0.020986 0. h = 0.465483 0.052776 -0.436393 0.306004 -0.210549 3.

324787 2.739269 0. Evolución de los índices durante el periodo de estudio UNCP-2008 33 .FACULTAD DE ECONOMIA Jarque-Bera Probability Sum Sum Sq.002468 0.008727 Gráficos Gráfico 1.189991 0. Dev.004228 0.002760 0.2.000790 0.001688 0.056720 1.358196 0.095614 0.002530 0.000790 0.977465 112 Cuadro 3.004228 0. Observations 5.005488 0.854246 112 2.001879 DIVERSAS 0.202909 3.225296 0.262813 0.007627 0.1 Matriz de Covarianzas COVARIANCE MATRIX BANCOS MINERAS SERVICIOS BANCOS MINERAS SERVICIOS DIVERSAS 0.001688 0.006390 1.309166 112 3.249170 0.001879 0.002530 0.002468 0.614622 112 10.10591 0.

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

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

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

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

|. |* . |* .785 Prob 0.114 0.048 -0. |*** . |* .001 0.008 0.3 99 00 01 02 03 04 05 06 07 08 REND_DINAMICO_DIVERSAS 2.3 .008 0.059 0.0 -.179 PAC 0.805 20.738 17.*|. |* . . |* .065 -0.014 -0.000 17.876 21. .FACULTAD DE ECONOMIA . .097 0.000 0.004 0. |* | | | | | | | | | | | | Partial Correlation . |*** .065 Q-Stat 16.001 0.145 0. | | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 12 AC 0.300 20.000 0.1 RENDIMIENTO DEL SECTOR BANCOS Tabla 2. . . .002 UNCP-2008 38 . |.087 18. |. |.300 22. . .001 0.157 0. |* .119 -0.2 -.005 0. |. |* .102 0.*|.1 Date: 07/19/08 Time: 17:54 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . |. |.115 -0.027 0.470 23. ESTACIONALIDAD DE LOS RENDIMIENTOS DE LOS SECTORES: 2. . .016 0.1 . |* .127 0.1 -.042 0.148 0. .108 0. |.095 0. |* .381 0.024 0.680 30. |.004 0.610 20.2 .002 0.921 26.381 -0.*|.006 0.

000 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 0.131 2.025 -0. |.070 0.022 0. .*|.*|.070 -0.110 0. .049 0. |.*|.035 0.*|.010 0. |. |. . . |.072 0.088 -0.001 0.212 45.073 36.077 0.065 -0.059 0. . |* .084 -0. .004 0. . | | | | | | | | | | | | | | | | | | | | | | | | . . |. .336 0.009 0.718 29. .015 Q-Stat 12.072 -0. |.*|. .000 0.910 42.136 0.076 0.001 0.365 37.015 0. |.609 0.069 0. .248 43.111 0.520 37.*|.759 36.166 40.580 37.182 25.444 35. |.013 0.026 -0.110 PAC 0.049 -0. |*** .964 16.093 -0.000 0. |* .000 0. |. |. .022 0. |. .047 0. .044 0. |. |* . . |.033 31.*|. . .028 0. |* .FACULTAD DE ECONOMIA .748 45.037 -0. .007 0.*|. |.792 31. .771 Prob 0. |* .976 38.661 43.002 0. |.165 0. .030 0.053 0.003 0.116 0.461 37.793 32.*|.006 0.065 36. |* .109 0. .047 -0. |.035 0.297 22. . . .845 25.055 -0. |. |.055 -0.470 24. |.055 -0.080 0.058 0.048 0.007 -0.000 0.149 43. |. .115 0. |. . . |. . |* . |* . .001 39 UNCP-2008 . . |.746 39. .053 0.021 0.008 0.157 -0. |* | | | | | | | | | | | Partial Correlation . |* . |* .103 -0.001 0.2 RENDIMIENTO DEL SECTOR MINERAS Tabla 2. |. |* . |.011 0. |. .444 27. |.074 0. |* . |.053 0. | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 AC 0.039 0.025 43.132 0.020 -0. |.122 0. .084 -0. |. |* .009 -0. |.010 0.234 30.090 0. |.034 0. |. .096 0.035 0.003 0.058 0.046 0.049 0. |* .052 -0.010 43. |* . |* . . .141 0. |* . |.109 21. |* .118 0.001 0. |. .033 0.342 37.100 0. .056 0.045 41.703 27.000 0.097 -0. |*** . .094 -0.028 0.011 0.336 0. |** .020 -0.2 Date: 07/19/08 Time: 17:56 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .210 0. |. |* .158 0. |* .051 0. .004 0. . .

016 0.032 0. . .046 0.262 40 UNCP-2008 . . . .051 -0.*|.064 0. .148 0.640 10. .014 0. |. . .233 36.003 0.107 0.820 10. |.058 -0.005 0. . . . . .080 0.042 -0.007 0. |.521 31.049 -0. .044 -0.553 10.059 0. . |.337 0.080 -0. . |.020 -0.108 0.042 -0. |. |.*|.085 -0. . . |* .015 -0.032 0. |. . |* .FACULTAD DE ECONOMIA . |.660 10.899 31. |. |.074 0.000 -0.102 0.3 Date: 07/19/08 Time: 17:59 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .902 0. | | | | | | | | | | | | | | | | | | | | | | | | | . |.3 RENDIMIENTO DEL SECTOR SERVICIOS Tabla 2. |.003 -0.931 39.031 -0. .015 0.436 37.009 -0. . .540 37.013 -0. |.3155 10.*|.899 32. |.051 -0. |.058 -0.301 2. |.926 11. . |.840 32.018 -0. |. |. . .240 34. |.165 0.063 0.022 0.024 0.0497 8. | | | | | | | | | | | | | | | | | | | | | | | | | 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 0.080 0.649 32.138 0. |.016 0.265 0.032 0. |* . |.004 0.029 0.010 0.147 0.198 0.141 -0. . |.550 10.040 0.526 37. .077 0. . .046 -0. |.015 -0. |.084 -0.*|.143 36. |.572 31. . |.265 -0.*|. . |.043 -0. | | | | | | | | | Partial Correlation . |.*|. |.037 32.807 31. |.000 -0. |* | | | | | | | | | 1 2 3 4 5 6 7 8 9 AC 0. . |.043 -0.005 0.017 0.*|.038 0.436 37.081 0.032 -0. . . .036 -0.297 32.027 -0. . |. . |* . . |. . . |.112 0. .920 37.050 0.048 -0.093 -0. .009 -0.269 0. .202 Prob 0. |. |.048 0.*|. .*|.037 0. |.310 0. |.082 Q-Stat 8.109 31.286 32. .*|. . . |.099 0.022 0. . .026 0.493 36.047 PAC 0.130 0.002 0. |.005 0. .989 34.110 -0.032 -0.050 0. .521 31. |.007 0. . |. |.029 0.*|. . .068 -0.001 -0.206 0.232 0. .001 -0.477 37.115 0.274 35.007 -0.032 -0. |. . |.*|. |.*|.053 -0. . |** . |** .078 0.

491 22.244 29. . |.000 0.257 0.241 11.*|. |.025 -0. . |* .919 48. |.741 0. .742 33. | | | | | | | | | | | | | | | | | | | | | | | | | | | 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 0.607 0. .115 -0. |.FACULTAD DE ECONOMIA .010 -0.056 -0. .147 0. . |. .058 -0. |.012 -0. .013 -0.017 -0.669 0.591 18. .668 0.*|. |.700 41. .059 0. |. . . . . . |*** . .459 41.835 0. |. |. . |. .031 -0.015 0. |.024 -0.138 0.137 0.*|. .018 0.768 2. .006 0. |** . .658 28. |.307 0.135 PAC 0. .037 -0.030 -0. . .014 -0.893 55.888 0.589 0.047 -0.513 57.115 0.753 0. .021 -0.201 0.731 29.869 0.007 -0.000 0. .110 -0.192 18.053 0. |* . |.*|. |. |. . .004 -0.445 0.030 0. . |. . | | | | | | | | | | | | | | | | | | | | | | | | | | | . . |.606 0.*|. |.196 29. |*** . |.088 0.059 15.041 -0.000 41 UNCP-2008 .281 11. .753 0.106 -0. |.510 12.082 0. |.742 0.*|.974 14. |.015 -0.*|. |.*|. |. .725 0. .017 0.869 16.697 0. .026 -0. |. .056 0.126 -0. |. |* . .392 11.339 0. |. .029 -0.036 0. |.212 28.*|.007 -0.4 RENDIMIENTO DEL SECTOR DIVERSAS Tabla 2. |* | | | | | | | | Partial Correlation .111 -0.045 0. |* . . | | | | | | | | 1 2 3 4 5 6 7 8 AC 0.496 0.658 0. .056 -0. .226 0. |.000 0.061 -0. . |. |.*|.195 27.702 0. .100 -0.*|.000 0. |. |** .000 0.001 12. . |.048 0.730 0. |** .016 -0.*|.445 0. .033 -0. |. . .027 -0.246 0. .045 -0. |. |* .894 13.219 28.103 18.408 13. |.062 0.012 -0.000 0. .086 11.170 18.666 0.798 0.4 Date: 07/19/08 Time: 18:00 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .420 0.568 0. |.042 Q-Stat 22.030 -0. |.035 0. |.012 52. |** .076 -0. |.164 -0.000 0. |* .018 0.680 0. .648 0. |.076 18.741 Prob 0.610 0. .492 17. |** .311 16.130 -0.533 0.056 0. .158 -0. |.587 25. |. .

. |.004 0. |. .014 -0.000 0.000 0.*|.134 -0.*|.307 78.006 -0. . |* .028 -0.681 90.012 62.000 0. |* . .134 -0.059 -0.071 0. |. |* .038 0. .696 81. |.064 -0. .000 0.054 75.000 0. . .968 79. |.*|.000 0.000 0.*|.969 85.189 0.164 -0.*|.469 78. . |* .017 -0. |.101 0. .125 0.000 0.000 0.189 0.048 -0.173 0.004 0.022 0.164 65.937 84.420 78. .085 -0.861 78. |. |* .066 -0.056 75. .403 0. |* .000 0.070 0. .000 0.043 -0.135 0. |* .051 -0.000 0. |* .000 0. .000 0. . .415 78. . . |.067 0.000 0. |. .*|. .303 80.043 -0.000 0.*|.037 -0.FACULTAD DE ECONOMIA .037 -0. |.*|.653 76.000 0. . .010 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. |.939 84.066 -0. .640 79. |.126 0.663 80. |. .009 79.003 -0. |* .000 0.016 -0.000 0.158 -0. . |.000 0.000 0. . |. . | | | | | | | | | | | | | | | | | | | | | | | | | | | | . |. .*|. |. |.*|. . |. . .*|.000 0.027 -0. . . . . . . |.024 0.000 0.012 -0.*|. |. |. .080 -0.000 0. |.721 88.028 -0.007 -0.053 0.015 0. . |. |.000 0.032 -0. |.449 84. .434 78.*|.065 0. |.030 0.049 0.000 a) SECTOR BANCOS: UNCP-2008 42 .000 0.931 69.065 -0.578 75.073 0.207 0.338 82.028 0. . |. |** .069 0.170 0.000 0.044 85. . |* . .129 0.059 75. |.

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

000227 t-Statistic -10.1589 2.9120 0.045236 -3.682363 0.344371 0.0003 0.* 0. Error 0.451959 -3.199575 0.D.2) Method: Least Squares Date: 07/19/08 Time: 00:20 Sample (adjusted): 1999M06 2008M05 Included observations: 108 after adjustments Variable D(BANCOS(-1)) D(BANCOS(-1).0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(BANCOS.2) C @TREND(1999M01) R-squared Adjusted R-squared S.694237 0. -10.101670 0.092227 Std.0000 0.FACULTAD DE ECONOMIA Null Hypothesis: D(BANCOS) has a unit root Exogenous: Constant. 0.336277 -2.061612 Prob.707963 0.53075 -4.2) D(BANCOS(-2).001061 0.000000 Mean dependent var S.0000 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.151440 Prob.E.53075 4.110768 -0.557320 131.212104 58.015063 0.091225 0.001669 -1.073559 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.40E-05 0.46563 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 44 .774941 0. Linear Trend Lag Length: 2 (Automatic based on SIC.9510 0.793757 3.130517 -2.147684 0.

FACULTAD DE ECONOMIA SECTOR MINERAS: UNCP-2008 45 .

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

848663 109.845405 92.044415 -3.9573 2.168901 -1.000302 0.000000 Mean dependent var S.018067 0.451568 -3.8031 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S.8577 -0.0002 0.19761 3.151211 Prob. Error 0.152262 0.000274 t-Statistic -12.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(MINERAS.353136 -0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 47 .D. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.* 0. -12.06376 0.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.084610 Std.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).089903 0.724548 0.857235 0.250012 0.004517 4.19761 -4.944170 -1. 0. Linear Trend Lag Length: 1 (Automatic based on SIC.716678 0.92E-05 0.0000 0.179786 Prob.092000 0.FACULTAD DE ECONOMIA Null Hypothesis: D(MINERAS) has a unit root Exogenous: Constant.838442 -0.

044415 -3.FACULTAD DE ECONOMIA b) SECTOR SERVICIOS: Hodrick-Prescott Filter (lambda=14400) .0000 UNCP-2008 .2 99 00 01 02 03 04 05 06 07 Cycle 08 SERVICIOS Trend .1 -.2 Null Hypothesis: D(SERVICIOS) has a unit root Exogenous: Constant.151211 Prob. Linear Trend Lag Length: 1 (Automatic based on SIC. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.0 -.451568 -3. 48 -12.* 0.2 .0 -.1 .2 .70684 -4.1 -.1 .

718743 0.E.106147 -2.147158 0.064980 Std.280150 -0.332741 160.781702 92.880467 -2. 0.D.000000 Mean dependent var S.726556 0.96E-05 0.003375 3.231160 Prob.99686 0.000171 t-Statistic -12.2) C @TREND(1999M01) R-squared Adjusted R-squared S.089481 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) c) SECTOR DIVERSAS: UNCP-2008 49 .8176 -0.0000 0.7659 0. Error 0.011308 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).056294 0.001141 0.0000 0.298469 0.382990 -0.9854 2.FACULTAD DE ECONOMIA Augmented Dickey-Fuller Test Equation Dependent Variable: D(SERVICIOS.869914 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.70684 4.

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

884160 -0.573637 3. -8. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) a) SECTOR BANCOS: Dependent Variable: BANCOS Method: ML .0026 0.Normal distribution 51 UNCP-2008 .0003 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).086060 3.001864 0.000000 Mean dependent var S. Error 0.452358 -3.165014 -2.722917 115.162663 0.000265 t-Statistic -8.226280 0.727710 3.306242 0.45157 0.737141 0. 0.749540 0.0002 0.0000 0.091039 0.100735 Std.897385 60.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.084603 0.9536 0.268992 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S.843506 0.2) D(DIVERSAS(-3).151673 Prob.ARCH (Marquardt) .2) D(DIVERSAS(-2).* 0.D.573637 -4.070008 Prob.047263 -1.017648 0.9443 0.85E-05 0.E.5286 2.501989 0.058393 0.353608 -0.001030 1.046072 -3.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(DIVERSAS.

003354 -0.FACULTAD DE ECONOMIA Date: 07/19/08 Time: 00:50 Sample (adjusted): 1999M02 2008M05 Included observations: 112 after adjustments Convergence achieved after 9 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 Coefficient C 0.074412 -2.Normal distribution UNCP-2008 52 .231381 Mean dependent var S.937565 Prob. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat b) SECTOR MINERAS: Dependent Variable: MINERAS Method: ML .616683 135.ARCH (Marquardt) .0000 0.D. of regression Sum squared resid Log likelihood 0.966141 1.288260 1.075217 0.000669 0.006650 Std.361077 -2.003992 0.0635 0.021764 0. 0.E.007093 z-Statistic 0. Error 0.288997 -0.855941 0.2203 0.155715 5.3485 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.010940 0.

001161 0.854253 114.106429 0.740262 0.E.007090 0. Error 0.0004 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.073609 -0.530969 Prob.000009 -0. of regression Sum squared resid Log likelihood 0.088528 0.030239 Std.4591 0.987234 -1.2851 0.Normal distribution Date: 07/19/08 Time: 00:48 UNCP-2008 53 .018357 0.029984 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 0.087726 -1.099436 6.008564 z-Statistic 3.315816 Mean dependent var S.D.ARCH (Marquardt) .0000 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat c) SECTOR SERVICIOS: Dependent Variable: SERVICIOS Method: ML . 0.914417 1.

292552 Prob.000311 0.046460 -0.053259 0.002875 -0.Normal distribution Date: 07/19/08 Time: 00:53 Sample (adjusted): 1999M02 2008M05 UNCP-2008 54 .048061 9.000058 -0.010875 Std.D. Error 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat d) SECTOR DIVERSAS: Dependent Variable: DIVERSAS Method: ML .938361 1.E. of regression Sum squared resid Log likelihood 0.255423 -0.011275 0.467467 Mean dependent var S.018408 0.011178 -2. 0.ARCH (Marquardt) .004743 z-Statistic 2.0000 0.6260 0.3337 0.309184 171.0219 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.052776 -3.966705 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.

020842 Std.089162 0.0935 0.611513 1.803854 1.154436 -0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat MODELO GARCH DE ORDEN UNCP-2008 55 .001307 0.977974 108.141794 5. of regression Sum squared resid Log likelihood 0.0000 0.094722 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 0.009569 z-Statistic 2. 0.2761 0. Error 0.178039 Prob.018879 0.0294 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.D.876671 -1.018711 0.E.000521 -0.093840 -1.007332 0.104248 Mean dependent var S.

232695 Mean dependent var S.074412 -2.E.331660 2.002284 -0.0977 0.030125 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Ciudad Universitaria.FACULTAD DE ECONOMIA Dependent Variable: REND_BANCOS Method: ML .0049 0. 0.2892 Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.007400 Std.007104 0.127482 -1.616025 138. of regression Sum squared resid Log likelihood 0.084255 0.397875 -2.549212 -0.ARCH (Marquardt) . Error 0.813392 2.059845 Prob.2810 0.179252 -0. Julio del 2008 UNCP-2008 56 .075524 0.655946 0.D.006982 z-Statistic 1.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 0.300785 1.0334 0.002525 0.010940 0.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->