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

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

Con lo cual el índice acumuló una disminución del 10. es decir. Bancos. etc. El caso es que el Índice General de la BVL -el más importante del mercado bursátil limeño y del Perú. FORMULACION DEL PROBLEMA: a) PROBLEMA GENERAL:  ¿Cuál es el riesgo implícito en una inversión financiera o llamado también la perdida esperada en un portafolio financiero? pérdida esperad b) PROBLEMA ESPECIFICO:  ¿Cuál es el comportamiento dinámico de cada sector de inversión financiera?  ¿Cuáles son las variables causantes de riesgo financiero en una inversión?  ¿Cual es el sector de inversión financiera que esta más propensa a sufrir un riesgo? 1.3. b) OBJETIVO ESPECIFICO: UNCP-2008 7 . En tal sentido este trabajo ha sido realizado con el objeto de Realizar algunos análisis de inversión en bolsa de valores de las empresas de los diferentes sectores. Servicios. Ademas satisfacer inquietudes del publico en general.FACULTAD DE ECONOMIA  Bajas ventas como consecuencia de la falta de liquidez. 1.4 nuevos soles hasta el 15 del mismo mes (ayer). este amenazador resultado significa que si un inversionista apostó 100 nuevos soles un día antes del primero de mes pasado. la actuación negativa de las principales bolsas de valores del mundo.4 % por ejemplo en el lapso señalado. MIneria. 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. Viéndolo didácticamente. vender con una marcada tendencia bajista es casi imposible.  Inversiones estancadas y menos oportunidades de inversión. OBJETIVO: a) OBJETIVO GENERAL:  Analizar el riesgo implícito en una inversión financiera o llamado también la perdida esperada en un portafolio financiero.4.6 nuevos soles. Entre los probables factores explicativos de esta caída sobresalen el descenso de los precios internacionales de los metales. por cuanto en la BVL el sector minero tiene una presencia preponderante. su capital se le redujo a 89. Por ejemplo pierde ayer un 2 %. perdió 10. lo cual es sustancialmente menor.

para detectar si el efecto de un factor asociado explica la influencia del cambio sobre la variable relacionada. b) MUESTRA: UNCP-2008 8 . 1.8. 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.6. Software SPSS. diagnostico y explicativo. es decir observar el comportamiento de la varianza de esta.7. puesto que el Valor en Riesgo es un método para cuantificar la perdida que se podría sufrir en condiciones normales de mercados. Software eviews.5. METODOLOGÍA: Parta el presente proyecto de investigación se utilizara una metodología que vincula el enfoque: cuantitativo.FACULTAD DE ECONOMIA  Verificar el supuesto de heterocedasticidad de la serie.  Hallar las variables causantes de riesgo financiero en una inversión y analizar el comportamiento de cada una de ellas. De esta manera poder aplicar un análisis mediante la prueba estadística. 1. utilizando técnicas estadísticas tradicionales. MATERIALES: Los materiales e instrumentos que se emplearan en el proceso del presente proyecto de investigación son los siguientes:     Base de datos de indicadores bursátiles. Software 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. descriptivo. 1. METODOS: El principal método que se va ah emplear para desarrollar el presente proyecto de investigación es el VaR.  Determinar las perdidas esperadas en un portafolio financiero.

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

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. Si se busca que la inversión sea muy rentable se van a correr muchos riegos. En cambio. firmas de abogados y personas naturales. porque se incrementan los ahorros. las ganancias que se pueden esperar son menores. Autor: Carlos Raúl CONGONA REVILLA. fiduciarias. aseguradoras. 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. En el año 1. 2003. LA BOLSA DE VALORES DE LIMA: LA MÁS RENTABLE DEL MUNDO.pdf www. alcanzando precios espectaculares las acciones que cotizan de diversos sectores.3 Si el objetivo es que el capital financiero se incremente.5 Tal como parece. en Colombia las inversiones en este sector son riesgosas.net/finan/invpregclav.imcportal. Autor: Representante general de IMC. solo 3 www.pdf 4 5 www. SECTOR FINANCIERO PERCIBE RIESGO EN INVERSIONES MINERAS. bancas de inversión. Autor: Arturo Morales Castro.joseacontreras.pdf UNCP-2008 10 . Esta es una de las principales conclusiones de una encuesta hecha por el Ministerio de Minas y Energía entre entidades bancarias. si se prefiere una inversión más segura.FACULTAD DE ECONOMIA INVERSIONES EN ACCIONES Y PORTAFOLIOS DE INVERSIÓN. Pero para ello es aconsejable que se tome tiempo para pensar un poco e informarse.997 hubo un Boom de la Bolsa de Valores de Lima.com/newsfiles/20080615031218. en el primer trimestre de ese año los precios en especial de las empresas mineras subieron impulsados por los precios internacionales de los metales. comisionistas de bolsa. fondos de pensiones.net/publicaciones/PUBLICACION_BOLSA%20DE %20VALORES_CARLOS_CONGONA_REVILLA.isppd. Si se invierte bien se está asegurando el futuro. fondos de capital privado.4 Aunque los altos precios de los commodities en los mercados internacionales hacen más rentable las actividades relacionadas con la minería. 2006. 12 de Junio del 2008. entre ellos la posibilidad de perder parte de los ahorros.

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

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

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

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

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

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

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

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

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

1.1.1(c) se presenta las 112 observaciones resultantes de dicha transformación. el cual muestra una media de 1. UNCP-2008 20 . en la cual puede observarse que muestra una Curtosis 3.1. en la grafica 3.2(b) se muestra el histograma de la serie. pues esta no parece constante. pero no así en la varianza.3(c) la prueba de Kernel donde la grafica muestra que la distribución se acerca a una distribución normal pero este no se ajusta bien. en ella se muestra una estacionalidad en la media.7115 superior a una distribución normal y ligero sesgo positivo (0. en ella se muestra una estacionalidad en la media.1.7115 superior a una distribución normal y ligero sesgo positivo (0.2105) se observa también se muestra en el grafico 3. en la grafica 3. que se va denotar (log_rend_sector_bancos=Log (sector_bancos/sector_bancos(t-1)).FACULTAD DE ECONOMIA El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.094%. b) RENDIMIENTO DEL SECTOR MINERAS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima. se presenta las 112 observaciones resultantes de dicha transformación.2 (a). el cual muestra una media de 1. pero no así en la varianza.094%.1.4363 superior a una distribución normal y ligero sesgo positivo (0. así como la su densidad de probabilidad.1(b) se presenta las 112 observaciones resultantes de dicha transformación. pero no así en la varianza.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. en la grafica 3. c) RENDIMIENTO DEL SECTOR SERVICIOS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.1.5097) se observa también se muestra en el grafico 3. en la cual puede observarse que muestra una Curtosis 3.2105) se observa también se muestra en el grafico 3. Además que pa prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).094%.1. se muestra el histograma de la serie. en la cual puede observarse que muestra una Curtosis 3. que se va denotar (log_rend_sector_bancos=Log (sector_servicios/sector_servivios(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. así como la su densidad de probabilidad. entre los periodos t y t-1.1. así como la su densidad de probabilidad.2 se muestra el histograma de la serie. en la grafica 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). Además que la prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad). pues esta no parece constante. entre los periodos t y t-1. pues esta no parece constante.1 (a). en la grafica 3. el cual muestra una media de 1. que se va denotar (log_rend_sector_bancos=Log (sector_mineras/sector_mineras(t-1)). en ella se muestra una estacionalidad en la media. entre los periodos t y t-1. en la grafica 3.

El comportamiento asimétrico de la volatilidad hace referencia a la evidencia empírica según la cual un shock negativo sobre los rendimientos (caída inesperada del precio) conlleva un aumento de la volatilidad mayor que un shock positivo sobre los rendimientos (aumento inesperado del precio) de la misma magnitud.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien. 3.2. La covarianza asimétrica.094%. en la grafica 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).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. por lo tantro el proceso de lka serie pudiera ser difícil de modelar. Se puede observar que ambas series presentan una tendencia similar. en la grafica 3. UNCP-2008 21 .2105) se observa también se muestra en el grafico 3. así como la su densidad de probabilidad.1. Al aplicar la prueba para determinar si tiene raíces unitarias las series como se muestra en la tabla 3. pues esta no parece constante. La evidencia sugiere que las raíces de las ecuaciones CARACTERIUSTICAS DE los procesos AR Y MA podrian tener valores complejos y. es decir que se puede considerar a la serie del rendimiento del sector como una caminata aleatoria o un Ruido Blanco.1.2.2(d) se muestra el histograma de la serie. a) SECTORES DE LA BOLSA DE VALORES DE LIMA: El Gráfico 3. entre los periodos t y t-1.1(d) se presenta las 112 observaciones resultantes de dicha transformación.2 muestra que las seis tienen raíces unitarias. que se va denotar (log_rend_sector_bancos=Log (sector_diversas/sector_diversas(t-1)).2. se refiere a la evidencia empírica según la cual la covarianza entre los rendimientos de los activos financieros aumenta mas tras shocks negativos que positivos (como se muestra en el cuadro 3. en ella se muestra una estacionalidad en la media. en la cual puede observarse que muestra una Curtosis 3.7115 superior a una distribución normal y ligero sesgo positivo (0.2. 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.1). pero no así en la varianza. por su parte. 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.1. 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.

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

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

FACULTAD DE ECONOMIA CONCLUSION Las principales aportaciones de esta investigación son tres. 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. australiano y nipón.  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 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. Para ello. Los resultados muestran que los shoks negativos procedentes de cualquier mercado repercuten en la volatilidad del “otro mercado”. existe transmisión de volatilidad entre ambos tipos de empresas en las dos direcciones.  En primer lugar. puesto que los estudios empíricos existentes hasta el momento se han centrado en el mercado estadounidense.

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

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

.…………….………………………….. DISEÑO METODOLOGICO……………………………………….. HIPOTESIS………………………………………….8.... METODOLOGÍA…………………………………………………... (7) 1....(18) UNCP-2008 27 .…………….………. PLANTEAMIENTO DEL PROBLEMA………………………………. ESTADO DEL ARTE………………………….(7) II... DESCRIPCION DEL PROYECTO..FACULTAD DE ECONOMIA INDICE INTRODUCCIÓN……………………………………………….…..(1) RESUMEN………………………………………..3.3..1.(14) 2.(8) 2.……... METODOS…………………………. OBJETIVO………………………………………………………………....2..……………………….………………………..1...6....(8) 2.4..…………………. MARCO TEORICO……………………………….(5) 1... (7) 1....5.. FORMULACION DEL PROBLEMA…………………………………..... JUSTIFICACIÓN DEL PROBLEMA………………………………….(5) 1.….…......2...(5) 1.……...7......…. RESULTADO Y ANALISIS…………….(6) 1...……………..(10) 2.(7) 1....….. MARCO CONCEPTUAL…………………….(6) 1.. MATERIALES…………………………………………………..…………………………………….(3) I..... TEORIAS METODOLOGICAS……………....4.(17) III..

.010940 0.(18) 3.….……….……..(24) ANEXOS…………………………………………….739269 0. CALCULO DEL VaR…………………………………………….1..136634 0..(25) ANEXOS Grafica 3.436393 5.509756 3.1 0.(23) BIBLIOGRAFÍA…………………………………………….…… .1..………….074412 0.. Dev.……….2..1 -0.FACULTAD DE ECONOMIA 3.(22) RECOMENDACIÓN……………………………….…………………….0 0..2 Series: REND_ESTATICO_BANCOS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.056720 UNCP-2008 28 ..…………….3.002882 0.2 (a) 12 10 8 6 4 2 0 -0. Skewness Kurtosis Jarque-Bera Probability 0.. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA ESTATICA………………………………………………….….(19) 3. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA DINAMICA………………………….232932 -0.(20) CONCLUSION………………………………………………….….

189991 0.711510 3.210549 3.3 Series: REND_ESTATICO_MINERAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.FACULTAD DE ECONOMIA Kernel Density (Normal.020986 0.15 . Skewness Kurtosis Jarque-Bera Probability 0.05 .2 0.306004 -0.10 -.202909 UNCP-2008 29 .20 .2 -0.1 0.00 . Dev.2 (b) 20 16 12 8 4 0 -0.0 0.25 REND_ESTATICO_BANCOS Grafica 3.0219) 7 6 5 4 3 2 1 0 -.1.1 -0.05 .15 -. h = 0.029984 0.087726 0.10 .195745 0.

0 .1 .465483 10.052776 -0.066919 4.FACULTAD DE ECONOMIA Kernel Density (Normal.10591 0.179673 -0.011275 0.1 0.009170 0.3 REND_ESTATICO_MINERAS Grafica 3.1 0.1. h = 0.2 (c) 16 12 Series: REND_ESTATICO_SERVICIO Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std. Skewness Kurtosis Jarque-Bera Probability -0.0306) 5 4 3 2 1 0 -.1 .2 -.0 0.185267 0. Dev.2 .006390 8 4 0 UNCP-2008 30 .

1 -0.1 0.262364 -0.FACULTAD DE ECONOMIA Kernel Density (Normal.093840 -0.200122 3.10 .2 0. Skewness Kurtosis Jarque-Bera Probability -0. h = 0.00 .2 -0.10 -. Dev.249170 0.20 REND_ESTATICO_SERVICIOS Grafica 3.05 .0164) 9 8 7 6 5 4 3 2 1 0 -.2 (d) 20 16 Series: REND_ESTATICO_DIVERSAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.15 -.009346 0.0 0.15 .20 -.567248 2.018711 0.1.05 .273293 0.324787 12 8 4 0 UNCP-2008 31 .

011275 0.009346 0.3 REND_ESTATICO_DIVERSAS Tabla 3.273293 0.436393 0.052776 -0.FACULTAD DE ECONOMIA Kernel Density (Normal.1.087726 0.306004 -0.018711 0.262364 -0.195745 0.066919 4.074412 0.093840 -0.200122 3.179673 -0.2 -.509756 3.009170 0.029984 0.010940 0.136634 0.210549 3. Dev.1.0 .185267 0.0311) 5 4 3 2 1 0 -.020986 0.2 .465483 0.711510 0.002882 0.1 .567248 32 UNCP-2008 . 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.1 . Skewness Kurtosis 0. h = 0.232932 -0.3 -.

324787 2.2.002760 0.000790 0. Observations 5.262813 0.1 Matriz de Covarianzas COVARIANCE MATRIX BANCOS MINERAS SERVICIOS BANCOS MINERAS SERVICIOS DIVERSAS 0.005488 0.739269 0. Dev.249170 0.095614 0.056720 1.225296 0.358196 0.189991 0.FACULTAD DE ECONOMIA Jarque-Bera Probability Sum Sum Sq.001879 DIVERSAS 0.002468 0.001879 0.002530 0.977465 112 Cuadro 3.007627 0.006390 1.008727 Gráficos Gráfico 1.002530 0. Evolución de los índices durante el periodo de estudio UNCP-2008 33 .000790 0.001688 0.004228 0.614622 112 10.309166 112 3.004228 0.202909 3.002468 0.001688 0.854246 112 2.10591 0.

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

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

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

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

|* | | | | | | | | | | | | Partial Correlation .145 0. |*** .876 21.381 0. |.008 0. |* .001 0.059 0. |* .1 RENDIMIENTO DEL SECTOR BANCOS Tabla 2. .470 23.008 0. .000 0. |.014 -0.179 PAC 0. |.004 0.087 18. . | | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 12 AC 0.610 20.119 -0.127 0.FACULTAD DE ECONOMIA . |*** .016 0.300 20.000 0. .805 20.148 0. |* . .680 30.921 26.065 -0. |.114 0.*|.000 17.097 0.1 Date: 07/19/08 Time: 17:54 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . .048 -0.300 22. |* . |* .027 0. . |* .042 0. |* . |. .095 0. .381 -0. |* .*|.108 0. |.065 Q-Stat 16.0 -.2 -.2 . |.001 0. .1 -.006 0.102 0.3 .024 0.001 0.004 0.*|.157 0.1 . . |* .3 99 00 01 02 03 04 05 06 07 08 REND_DINAMICO_DIVERSAS 2. |.002 UNCP-2008 38 .002 0.005 0.115 -0. ESTACIONALIDAD DE LOS RENDIMIENTOS DE LOS SECTORES: 2. |.785 Prob 0.738 17.

.065 -0.021 0. |* . .580 37. |.141 0.093 -0. .166 40.000 0. |.026 -0.097 -0.004 0. |.022 0.110 0. |* . .069 0.048 0.037 -0.910 42.088 -0. |.759 36.*|.*|. |.792 31.011 0. |.157 -0.039 0.044 0.000 0.010 0.109 21. .*|. | | | | | | | | | | | | | | | | | | | | | | | | 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 0.115 0.025 43.001 0. |. |. .080 0. .461 37. |.020 -0.103 -0.342 37. |. .609 0.035 0.000 0. |. |. .084 -0. .118 0. |* .049 0.051 0.718 29. |* .028 0.094 -0.077 0.116 0. . . |. .110 PAC 0.053 0. |* .001 0. |.020 -0.131 2. |. | | | | | | | | | | | | | | | | | | | | | | | | .297 22. |* | | | | | | | | | | | Partial Correlation . |* . |.FACULTAD DE ECONOMIA .055 -0.046 0.006 0.136 0.793 32. .056 0. .158 0.109 0.*|.096 0.053 0. . |* .058 0.*|.661 43.022 0. |* .365 37. |.002 0.520 37. |. |. |* .007 -0. .470 24.*|. . |* . .132 0. |* .015 Q-Stat 12. .234 30. .001 39 UNCP-2008 . |* .111 0.*|.003 0. |. .084 -0. . |. . |* .210 0. |. .035 0.028 0.090 0. .055 -0.072 0.001 0.165 0.033 31. |*** .182 25.013 0.010 0.703 27. |.009 0.052 -0.976 38. |.049 -0. .149 43.008 0. |.004 0. |. .059 0.*|. |* .074 0.015 0.007 0. .444 35. |*** .053 0.336 0. |.011 0. |* . |* .030 0.248 43. |.2 RENDIMIENTO DEL SECTOR MINERAS Tabla 2. |* .070 0.045 41.058 0. .000 0.049 0. |. |.336 0.845 25. |* .034 0.964 16.212 45.025 -0. .771 Prob 0.073 36.010 43.100 0.*|.000 0.003 0.748 45.047 -0.076 0. .009 -0.2 Date: 07/19/08 Time: 17:56 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . |.122 0. |.001 0. |. . . . .000 0.065 36.070 -0. |. | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 AC 0. . . .033 0. .035 0.047 0. . . .746 39.444 27. |. |* . |** .055 -0. |* . |. |.072 -0.

078 0. | | | | | | | | | | | | | | | | | | | | | | | | | . |.043 -0. .050 0. |.007 -0. . |. . .477 37.820 10. |.063 0.110 -0. .059 0. . |** . |.077 0.032 -0. . |.265 0.130 0. |. .024 0.005 0.202 Prob 0.141 -0. |.036 -0.FACULTAD DE ECONOMIA . . .015 -0. |. .436 37.232 0.840 32.*|.*|. |.022 0.046 0.*|.015 -0. .3 RENDIMIENTO DEL SECTOR SERVICIOS Tabla 2.102 0. . |.032 0.3 Date: 07/19/08 Time: 17:59 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . . . |.147 0. |.262 40 UNCP-2008 .022 0. .526 37.049 -0. . . . . |.640 10.032 0. |.269 0.*|.001 -0. .053 -0. .*|.521 31.037 0.009 -0. |. .051 -0. |* .902 0.031 -0.080 0. |* . |. |.989 34. |.807 31. |* | | | | | | | | | 1 2 3 4 5 6 7 8 9 AC 0. |. .010 0.009 -0.920 37. . |.*|.042 -0.000 -0. . . |.265 -0. |.931 39.109 31.080 0.337 0. |** .003 -0.046 -0. |* . .*|. |. .*|. | | | | | | | | | Partial Correlation .081 0.*|. |.143 36.148 0.020 -0. |.001 -0.005 0. |.310 0. . |.016 0.043 -0.037 32. .085 -0. . |. .051 -0.165 0. . .007 0. .436 37. |.297 32.*|.032 0. |. |. . .112 0. |.013 -0. |.082 Q-Stat 8.016 0.017 0.047 PAC 0. |.493 36.015 0. .032 -0.058 -0.032 -0. |.899 31. .206 0.026 0.042 -0. . |.521 31.004 0.029 0. . |. .899 32.084 -0. .038 0.572 31.099 0.*|. |.068 -0. |.007 0.3155 10.080 -0.093 -0. .240 34. .*|.074 0.649 32.005 0.660 10. |.002 0. .233 36. |* .*|.040 0. . |.0497 8.550 10. .108 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. . . .048 0.018 -0.058 -0. . |.000 -0.274 35.048 -0. .553 10.926 11.138 0. |. .064 0.014 0. |.029 0.044 -0.301 2. .115 0. .540 37.050 0.286 32.198 0. |. |.107 0.003 0. |.027 -0.

888 0. |* | | | | | | | | Partial Correlation .029 -0.244 29.589 0.*|. . |.082 0. .648 0.103 18.086 11.4 Date: 07/19/08 Time: 18:00 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .126 -0.730 0.042 Q-Stat 22.*|.030 -0.741 0.061 -0. . . .658 0.170 18.*|.*|. |.510 12. . . |.307 0.033 -0.742 33.241 11.201 0.021 -0. |. | | | | | | | | | | | | | | | | | | | | | | | | | | | . .058 -0.420 0.869 0.408 13.018 0. |*** . .062 0.041 -0. .212 28.006 0.164 -0.115 0.001 12.135 PAC 0.059 15. .*|.459 41.768 2. .012 -0.*|. .219 28.491 22. |. |.680 0. . |. |.007 -0.700 41. |.056 0.000 0.013 -0.053 0. |.158 -0. .FACULTAD DE ECONOMIA . |.257 0.031 -0.110 -0. |. |. . |* . .047 -0. |. . |. . |* .974 14.339 0.513 57. |.115 -0.106 -0.658 28. |. .226 0.281 11. .016 -0.*|. .045 0.000 0.445 0. . |.533 0.*|. |.012 -0.919 48.*|.147 0.012 52.392 11.591 18.*|. . .100 -0.045 -0. |. |* .015 -0.000 0.311 16. |. . |** .015 0.025 -0.4 RENDIMIENTO DEL SECTOR DIVERSAS Tabla 2. .000 41 UNCP-2008 . .076 18.753 0.869 16. |** .056 0.030 0. |** .000 0. |.798 0.000 0.010 -0. |. . . .059 0.056 -0.088 0. |* .492 17.731 29.*|.036 0.195 27.000 0.669 0. |.697 0. |.742 0.138 0. |. |** . |. . |** . |. |. |. . |.000 0. |.014 -0.192 18.004 -0.111 -0.445 0.606 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 0.587 25. . .030 -0. .741 Prob 0. .894 13.725 0.048 0. |.246 0.007 -0.017 -0. . . | | | | | | | | 1 2 3 4 5 6 7 8 AC 0. |*** .037 -0. .568 0. |. . |.027 -0.893 55.835 0.*|. .137 0. . . |. .668 0.496 0.076 -0. |* . |. . .035 0. |.017 0. |. .024 -0. |. |.056 -0.196 29. |.702 0.666 0.753 0. .130 -0.018 0. .026 -0.607 0. |.610 0.

004 0.017 -0.073 0.000 0.000 0. . .015 0.969 85. . .024 0. |. .080 -0.*|. . |* .434 78.000 0. .663 80.129 0.000 0. .009 79.*|.000 0. . . .000 0. .037 -0.861 78.158 -0. |* .067 0.000 0. . |* . |.059 -0.*|.338 82. . |.126 0.931 69. |.065 0.066 -0. |.059 75.066 -0. . |. |.048 -0. |. . |. |* . .000 0. .207 0.*|. |** .000 a) SECTOR BANCOS: UNCP-2008 42 . . |.027 -0.*|. . |.*|. .721 88. |.049 0. .*|.135 0.173 0.*|.065 -0. |. | | | | | | | | | | | | | | | | | | | | | | | | | | | | 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 0.189 0. .003 -0.578 75.189 0.085 -0.000 0.000 0.134 -0.469 78. |.064 -0.028 -0.053 0. |* .016 -0.000 0.043 -0.*|. . |.000 0.000 0.*|.640 79.056 75. |* .681 90. |. .415 78.000 0.004 0.000 0.170 0. . |. |* .000 0.006 -0.696 81. |. |.022 0.014 -0. |* .037 -0.134 -0.420 78.*|.000 0.000 0. . |.*|. |. .000 0.449 84.012 62. |.028 0. . .937 84.125 0.054 75.968 79.069 0.000 0. |* .000 0. .000 0. .043 -0.403 0. |.071 0. . |. |.030 0. .101 0.939 84.000 0.307 78.051 -0. |. |.070 0. |.303 80. . . |. |.010 0.000 0. .FACULTAD DE ECONOMIA .000 0.*|. |.000 0.032 -0. | | | | | | | | | | | | | | | | | | | | | | | | | | | | .653 76. |* .044 85.164 65.164 -0. |.028 -0. .007 -0.012 -0. . . . . .038 0.000 0.

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

0000 0. Linear Trend Lag Length: 2 (Automatic based on SIC.000000 Mean dependent var S.9510 0.110768 -0.001061 0.336277 -2.707963 0.9120 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.061612 Prob.694237 0.53075 -4.793757 3.091225 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S.FACULTAD DE ECONOMIA Null Hypothesis: D(BANCOS) has a unit root Exogenous: Constant.130517 -2.092227 Std.682363 0.015063 0.147684 0. 0.073559 0.2) Method: Least Squares Date: 07/19/08 Time: 00:20 Sample (adjusted): 1999M06 2008M05 Included observations: 108 after adjustments Variable D(BANCOS(-1)) D(BANCOS(-1). dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 44 . Error 0. -10.344371 0.001669 -1.212104 58.E.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(BANCOS.1589 2.000227 t-Statistic -10.40E-05 0.* 0.151440 Prob.557320 131.2) D(BANCOS(-2).451959 -3.0000 0.0003 0.101670 0.46563 0.D.774941 0.045236 -3.53075 4. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.199575 0.

FACULTAD DE ECONOMIA SECTOR MINERAS: UNCP-2008 45 .

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

9573 2.451568 -3.018067 0.044415 -3. Error 0.92E-05 0.724548 0.E.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).250012 0.716678 0.152262 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.179786 Prob.19761 -4. -12.838442 -0. Linear Trend Lag Length: 1 (Automatic based on SIC.944170 -1.168901 -1.19761 3.* 0.8031 0.D.06376 0.000000 Mean dependent var S.0000 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 47 .353136 -0.857235 0.089903 0.FACULTAD DE ECONOMIA Null Hypothesis: D(MINERAS) has a unit root Exogenous: Constant.848663 109.845405 92.8577 -0.0002 0.000274 t-Statistic -12.000302 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.004517 4. 0.092000 0.084610 Std.151211 Prob.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(MINERAS.

2 .1 . 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.0000 UNCP-2008 .* 0.0 -.1 -.0 -.FACULTAD DE ECONOMIA b) SECTOR SERVICIOS: Hodrick-Prescott Filter (lambda=14400) . 48 -12.2 Null Hypothesis: D(SERVICIOS) has a unit root Exogenous: Constant.151211 Prob.2 99 00 01 02 03 04 05 06 07 Cycle 08 SERVICIOS Trend .044415 -3.1 .451568 -3.2 .70684 -4.1 -.

D.E.726556 0.147158 0.FACULTAD DE ECONOMIA Augmented Dickey-Fuller Test Equation Dependent Variable: D(SERVICIOS.8176 -0.011308 0.064980 Std.99686 0.869914 0.0000 0.056294 0.70684 4.003375 3.000000 Mean dependent var S.9854 2.106147 -2.280150 -0.298469 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).781702 92. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) c) SECTOR DIVERSAS: UNCP-2008 49 .0000 0.7659 0.000171 t-Statistic -12.2) C @TREND(1999M01) R-squared Adjusted R-squared S. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.718743 0.880467 -2.231160 Prob.382990 -0. Error 0.96E-05 0.332741 160.089481 0.001141 0. 0.

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

000265 t-Statistic -8.100735 Std.086060 3.0000 0.001864 0.226280 0.501989 0.058393 0.353608 -0.046072 -3.017648 0.573637 3.2) Method: Least Squares Date: 07/19/08 Time: 00:30 Sample (adjusted): 1999M07 2008M05 Included observations: 107 after adjustments Variable D(DIVERSAS(-1)) D(DIVERSAS(-1).ARCH (Marquardt) .9443 0.0003 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) a) SECTOR BANCOS: Dependent Variable: BANCOS Method: ML .306242 0.573637 -4.D.E.151673 Prob.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) D(DIVERSAS(-3). of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.727710 3.084603 0.722917 115.070008 Prob.2) C @TREND(1999M01) R-squared Adjusted R-squared S.5286 2.0002 0.165014 -2.45157 0.843506 0.* 0.749540 0.9536 0.001030 1.091039 0. Error 0.000000 Mean dependent var S.452358 -3.268992 0. -8.85E-05 0.0026 0.884160 -0.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(DIVERSAS.737141 0. 0.Normal distribution 51 UNCP-2008 .047263 -1.162663 0.2) D(DIVERSAS(-2).897385 60.

021764 0.074412 -2.E. 0.075217 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 0.3485 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.288997 -0.007093 z-Statistic 0.Normal distribution UNCP-2008 52 .0000 0.0635 0. Error 0.361077 -2. of regression Sum squared resid Log likelihood 0.855941 0.ARCH (Marquardt) .006650 Std.966141 1.003992 0.231381 Mean dependent var S.937565 Prob.010940 0.000669 0.003354 -0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat b) SECTOR MINERAS: Dependent Variable: MINERAS Method: ML .155715 5.616683 135.2203 0.288260 1.D.

740262 0.2851 0.530969 Prob.Normal distribution Date: 07/19/08 Time: 00:48 UNCP-2008 53 .008564 z-Statistic 3.087726 -1.000009 -0.854253 114.099436 6.987234 -1.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 0.0000 0.4591 0. 0.315816 Mean dependent var S.001161 0.007090 0.914417 1.E.018357 0.088528 0. of regression Sum squared resid Log likelihood 0.0004 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S. Error 0.029984 0.ARCH (Marquardt) .106429 0.D.073609 -0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat c) SECTOR SERVICIOS: Dependent Variable: SERVICIOS Method: ML .030239 Std.

6260 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 0.010875 Std.0000 0. Error 0.255423 -0.0219 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.052776 -3.011275 0.048061 9.467467 Mean dependent var S. of regression Sum squared resid Log likelihood 0.000311 0.D.ARCH (Marquardt) .018408 0.Normal distribution Date: 07/19/08 Time: 00:53 Sample (adjusted): 1999M02 2008M05 UNCP-2008 54 .3337 0.966705 0.011178 -2.E.292552 Prob.309184 171. 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat d) SECTOR DIVERSAS: Dependent Variable: DIVERSAS Method: ML .053259 0.000058 -0.938361 1.002875 -0.004743 z-Statistic 2.046460 -0.

0935 0.0294 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.977974 108. 0.007332 0.001307 0.009569 z-Statistic 2.141794 5.803854 1.D.093840 -1.611513 1.020842 Std.E.018711 0.000521 -0.094722 0.154436 -0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat MODELO GARCH DE ORDEN UNCP-2008 55 .089162 0. Error 0.2761 0.018879 0.178039 Prob.FACULTAD DE ECONOMIA Included observations: 112 after adjustments Convergence achieved after 7 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 Coefficient C 0. of regression Sum squared resid Log likelihood 0.0000 0.104248 Mean dependent var S.876671 -1.

Julio del 2008 UNCP-2008 56 .300785 1.084255 0.074412 -2. of regression Sum squared resid Log likelihood 0.232695 Mean dependent var S.007104 0.002284 -0.331660 2.616025 138.549212 -0.ARCH (Marquardt) .059845 Prob.010940 0. Error 0.D.813392 2.0334 0.655946 0.2810 0.179252 -0.0977 0. 0.030125 0.075524 0.FACULTAD DE ECONOMIA Dependent Variable: REND_BANCOS Method: ML .007400 Std.127482 -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 0.397875 -2.0049 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Ciudad Universitaria.006982 z-Statistic 1.002525 0.E.2892 Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.

Sign up to vote on this title
UsefulNot useful