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

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

b) OBJETIVO ESPECIFICO: UNCP-2008 7 . Ademas satisfacer inquietudes del publico en general. etc. 1.4. la actuación negativa de las principales bolsas de valores del mundo. En tal sentido este trabajo ha sido realizado con el objeto de Realizar algunos análisis de inversión en bolsa de valores de las empresas de los diferentes sectores. su capital se le redujo a 89. Por ejemplo pierde ayer un 2 %. El caso es que el Índice General de la BVL -el más importante del mercado bursátil limeño y del Perú. Servicios. 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. Entre los probables factores explicativos de esta caída sobresalen el descenso de los precios internacionales de los metales.6 nuevos soles. por cuanto en la BVL el sector minero tiene una presencia preponderante.4 % por ejemplo en el lapso señalado.3. vender con una marcada tendencia bajista es casi imposible. Bancos. perdió 10.4 nuevos soles hasta el 15 del mismo mes (ayer). es decir.FACULTAD DE ECONOMIA  Bajas ventas como consecuencia de la falta de liquidez.Con lo cual el índice acumuló una disminución del 10. 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. Viéndolo didácticamente. 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. OBJETIVO: a) OBJETIVO GENERAL:  Analizar el riesgo implícito en una inversión financiera o llamado también la perdida esperada en un portafolio financiero.  Inversiones estancadas y menos oportunidades de inversión.

7.8. 1. b) MUESTRA: UNCP-2008 8 . utilizando técnicas estadísticas tradicionales.FACULTAD DE ECONOMIA  Verificar el supuesto de heterocedasticidad de la serie. es decir observar el comportamiento de la varianza de esta. De ello que este es una medida estadística de riesgo utilizada frecuentemente por instituciones que desean medir los riesgos en portafolios de inversión.  Hallar las variables causantes de riesgo financiero en una inversión y analizar el comportamiento de cada una de ellas. 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 eviews. descriptivo.5. DISEÑO METODOLOGICO: a) POBLACION: La población de estudio del presente proyecto de investigación esta orientada a todas las entidades financieras registradas por la SBS. METODOLOGÍA: Parta el presente proyecto de investigación se utilizara una metodología que vincula el enfoque: cuantitativo. 1.  Determinar las perdidas esperadas en un portafolio financiero. diagnostico y explicativo. 1. 1.6. METODOS: El principal método que se va ah emplear para desarrollar el presente proyecto de investigación es el VaR. Software SPSS. Software Microsoft Excel. De esta manera poder aplicar un análisis mediante la prueba estadística. para detectar si el efecto de un factor asociado explica la influencia del cambio sobre la variable relacionada. puesto que el Valor en Riesgo es un método para cuantificar la perdida que se podría sufrir en condiciones normales de mercados.

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

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

cl/download. U chile. 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.2.2000. la aplicación de la distribución normal. sin embargo tiene profundas implicancias prácticas.jsp?document=38361&property=attachment&index=4&content UNCP-2008 11 . Capital Asset Pricing Model (CAPM) y Arbitrage Pricing Theory (APT).facea. El análisis plantea la estimación del VaR ajustado por el riesgo de 6 www. el principio de diversificación. los rendimientos compuestos continuamente y los modelos para estimar el comportamiento de los rendimientos. una definición formal del riesgo. Concluye con modelos de portafolio. Autor: Rafael Romo Meza. Aunque este es un tema eminentemente técnico. 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. así como una apropiada regulación del sistema financiero. Los que guardaron las acciones desde esa época hoy puede tener tranquilidad porque nuevamente la Bolsa de Valores de Lima ha marcado records históricos en sus cotizaciones. El 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 . Una apropiada medición de riesgos es fundamental para una correcta gestión de riesgo de las empresas.FACULTAD DE ECONOMIA quedaron la mitad.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. 2.uchile. llegando los índices bursátiles a los siguientes niveles de rentabilidad MEDIDAS DEL RIESGO FINANCIERO.En esta ocasión nos centraremos en las medidas de riesgo financiero que han sido propuestas en los últimos diez años.

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

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

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

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

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

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

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

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

FACULTAD DE ECONOMIA El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.2 se muestra el histograma de la serie.4363 superior a una distribución normal y ligero sesgo positivo (0. así como la su densidad de probabilidad.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien. pero no así en la varianza. en la grafica 3. en la grafica 3. pero no así en la varianza. en ella se muestra una estacionalidad en la media.1.7115 superior a una distribución normal y ligero sesgo positivo (0. pues esta no parece constante. entre los periodos t y t-1. entre los periodos t y t-1.094%. Además que pa prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad). Además que la prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).1. que se va denotar (log_rend_sector_bancos=Log (sector_mineras/sector_mineras(t-1)). así como la su densidad de probabilidad. entre los periodos t y t-1.2 (a). en ella se muestra una estacionalidad en la media. que se va denotar (log_rend_sector_bancos=Log (sector_bancos/sector_bancos(t-1)).1. en la grafica 3. se presenta las 112 observaciones resultantes de dicha transformación. en la grafica 3. el cual muestra una media de 1.1(b) se presenta las 112 observaciones resultantes de dicha transformación.2105) se observa también se muestra en el grafico 3.1. así como la su densidad de probabilidad.2(b) se muestra el histograma de la serie.5097) se observa también se muestra en el grafico 3. en la grafica 3.1. en ella se muestra una estacionalidad en la media. en la cual puede observarse que muestra una Curtosis 3.094%.1. pero no así en la varianza.1. 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)). en la grafica 3.1(c) se presenta las 112 observaciones resultantes de dicha transformación.2105) se observa también se muestra en el grafico 3.1. el cual muestra una media de 1. Además que pa prueba de Jarque Bera indica que la distribución de la serie es diferente a la normal (incluso al 5% de significatividad).1 (a). en la cual puede observarse que muestra una Curtosis 3.1. pues esta no parece constante.7115 superior a una distribución normal y ligero sesgo positivo (0. el cual muestra una media de 1. se muestra el histograma de la serie. c) RENDIMIENTO DEL SECTOR SERVICIOS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.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.094%. pues esta no parece constante. UNCP-2008 20 . b) RENDIMIENTO DEL SECTOR MINERAS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien.

FACULTAD DE ECONOMIA d) RENDIMIENTO DEL SECTOR DIVERSAS: El análisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima.2.1. La covarianza asimétrica. en ella se muestra una estacionalidad en la media. UNCP-2008 21 . pero no así en la varianza. entre los periodos t y t-1. Al aplicar la prueba para determinar si tiene raíces unitarias las series como se muestra en la tabla 3.2105) se observa también se muestra en el grafico 3. a) SECTORES DE LA BOLSA DE VALORES DE LIMA: El Gráfico 3. por su parte. el cual muestra una media de 1.1. en la cual puede observarse que muestra una Curtosis 3. por lo tantro el proceso de lka serie pudiera ser difícil de modelar. 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. así como la su densidad de probabilidad.7115 superior a una distribución normal y ligero sesgo positivo (0.2.2.3 la prueba de Kernel donde la grafica muestra que la distribución se aceca a una distribución normal pero este no se ajusta bien.2(d) se muestra el histograma de la serie. en la grafica 3.2 muestra que las seis tienen raíces unitarias. que se va denotar (log_rend_sector_bancos=Log (sector_diversas/sector_diversas(t-1)). a excepción de la serie de rendimiento de l sector servicios el cual muestra que no tiene raíces unitaria y muestra que es una serie estacionaria. Se puede observar que ambas series presentan una tendencia similar.1.094%. 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. 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). en la grafica 3. pues esta no parece constante. es decir que se puede considerar a la serie del rendimiento del sector como una caminata aleatoria o un Ruido Blanco.2.1).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.1 muestra la evolución semanal de los rendimientos de los activos en los sectores estudiados en el período de estudio. La evidencia sugiere que las raíces de las ecuaciones CARACTERIUSTICAS DE los procesos AR Y MA podrian tener valores complejos y.

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

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

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

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

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

.4. RESULTADO Y ANALISIS……………. JUSTIFICACIÓN DEL PROBLEMA………………………………….7.(6) 1....…..……………………….1..…...4.2.…………….(6) 1..……. MATERIALES………………………………………………….(5) 1.. METODOS…………………………. HIPOTESIS…………………………………………..…..…………………………...8...……………………………………. DISEÑO METODOLOGICO………………………………………. ESTADO DEL ARTE………………………….(5) 1..2...5...3.(14) 2....... DESCRIPCION DEL PROYECTO.6.... MARCO TEORICO……………………………….(10) 2...…………….... OBJETIVO………………………………………………………………..1....(3) I...….………………………..(18) UNCP-2008 27 . FORMULACION DEL PROBLEMA………………………………….…. METODOLOGÍA………………………………………………….(7) II..... TEORIAS METODOLOGICAS……………........... PLANTEAMIENTO DEL PROBLEMA………………………………...FACULTAD DE ECONOMIA INDICE INTRODUCCIÓN………………………………………………... MARCO CONCEPTUAL……………………. (7) 1..(17) III.(5) 1.(8) 2..……………......…………………..……….(1) RESUMEN………………………………………..(8) 2.3..…….(7) 1. (7) 1..

.……….739269 0.436393 5.1 -0.………….….074412 0.(19) 3. CALCULO DEL VaR…………………………………………….2 (a) 12 10 8 6 4 2 0 -0.3.(23) BIBLIOGRAFÍA……………………………………………..(20) CONCLUSION………………………………………………….1 0.(25) ANEXOS Grafica 3.010940 0.232932 -0.1...…… .056720 UNCP-2008 28 . Dev.…………….2.(18) 3.FACULTAD DE ECONOMIA 3.136634 0. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA ESTATICA………………………………………………….(24) ANEXOS……………………………………………..(22) RECOMENDACIÓN………………………………..0 0. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA DINAMICA………………………….1.2 Series: REND_ESTATICO_BANCOS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std. Skewness Kurtosis Jarque-Bera Probability 0.…………………….….…...002882 0.…….509756 3...……….

Skewness Kurtosis Jarque-Bera Probability 0.2 0.15 .020986 0.2 (b) 20 16 12 8 4 0 -0.20 .0 0.00 . Dev.FACULTAD DE ECONOMIA Kernel Density (Normal.1 0.1.2 -0.087726 0.202909 UNCP-2008 29 .711510 3.1 -0. h = 0.189991 0.0219) 7 6 5 4 3 2 1 0 -.3 Series: REND_ESTATICO_MINERAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.10 -.05 .05 .029984 0.195745 0.25 REND_ESTATICO_BANCOS Grafica 3.15 -.10 .210549 3.306004 -0.

0306) 5 4 3 2 1 0 -.1 0.2 -.2 (c) 16 12 Series: REND_ESTATICO_SERVICIO Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.1.0 .465483 10.FACULTAD DE ECONOMIA Kernel Density (Normal.10591 0.052776 -0.1 .011275 0.1 . Dev.185267 0.2 . Skewness Kurtosis Jarque-Bera Probability -0.0 0.1 0.066919 4.3 REND_ESTATICO_MINERAS Grafica 3.179673 -0.009170 0.006390 8 4 0 UNCP-2008 30 . h = 0.

10 -.15 . Skewness Kurtosis Jarque-Bera Probability -0.324787 12 8 4 0 UNCP-2008 31 .009346 0.2 (d) 20 16 Series: REND_ESTATICO_DIVERSAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std.00 .1 -0.20 REND_ESTATICO_SERVICIOS Grafica 3.262364 -0. Dev. h = 0.05 .20 -.2 -0.273293 0.1.200122 3.567248 2.2 0.018711 0.FACULTAD DE ECONOMIA Kernel Density (Normal.249170 0.0164) 9 8 7 6 5 4 3 2 1 0 -.1 0.093840 -0.10 .0 0.05 .15 -.

h = 0.093840 -0.306004 -0.262364 -0.436393 0.018711 0.509756 3.0311) 5 4 3 2 1 0 -. Skewness Kurtosis 0.066919 4. 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 0.136634 0.009170 0.029984 0.195745 0.009346 0.3 REND_ESTATICO_DIVERSAS Tabla 3.087726 0.FACULTAD DE ECONOMIA Kernel Density (Normal.002882 0.1 .210549 3.052776 -0.1 .1.179673 -0.3 -. Dev.2 -.711510 0.074412 0.465483 0.2 .1.200122 3.011275 0.010940 0.020986 0.567248 32 UNCP-2008 .185267 0.232932 -0.0 .

005488 0.854246 112 2.309166 112 3. Dev.001688 0.001879 0.10591 0.004228 0.1 Matriz de Covarianzas COVARIANCE MATRIX BANCOS MINERAS SERVICIOS BANCOS MINERAS SERVICIOS DIVERSAS 0.056720 1.001879 DIVERSAS 0.202909 3.FACULTAD DE ECONOMIA Jarque-Bera Probability Sum Sum Sq.000790 0.095614 0.225296 0.358196 0.249170 0.002530 0.262813 0.002468 0. Observations 5.002468 0.977465 112 Cuadro 3.006390 1.002760 0.324787 2. Evolución de los índices durante el periodo de estudio UNCP-2008 33 .002530 0.001688 0.007627 0.2.008727 Gráficos Gráfico 1.739269 0.189991 0.614622 112 10.000790 0.004228 0.

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

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

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

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

ESTACIONALIDAD DE LOS RENDIMIENTOS DE LOS SECTORES: 2. .027 0.006 0.3 . |* .610 20.300 22.3 99 00 01 02 03 04 05 06 07 08 REND_DINAMICO_DIVERSAS 2. |.008 0.1 .381 0.921 26.157 0. |.000 0.*|.065 Q-Stat 16. . |* .059 0. |* | | | | | | | | | | | | Partial Correlation . |. .805 20.001 0.179 PAC 0.097 0. |. |. .1 RENDIMIENTO DEL SECTOR BANCOS Tabla 2.005 0. |. |.024 0. . .1 Date: 07/19/08 Time: 17:54 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .*|.FACULTAD DE ECONOMIA . |* . .0 -.148 0.002 UNCP-2008 38 . |*** . |.127 0.004 0.065 -0.000 17. |* .876 21.470 23.001 0.381 -0.048 -0. . |* .102 0.008 0.004 0.001 0.145 0.2 .108 0.*|. |.087 18.000 0.2 -.680 30.738 17.114 0. |* .095 0. |* . |* .002 0.119 -0. |*** . |* . .042 0.300 20.014 -0. .016 0. . | | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 12 AC 0.785 Prob 0.115 -0.1 -.

|. . .047 0. .000 0.2 RENDIMIENTO DEL SECTOR MINERAS Tabla 2. |* .103 -0.097 -0.065 -0.020 -0.110 0. |.001 39 UNCP-2008 .FACULTAD DE ECONOMIA .122 0.007 -0.115 0. |*** .792 31.055 -0.058 0.964 16.2 Date: 07/19/08 Time: 17:56 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . |* . . .336 0.015 Q-Stat 12.009 -0.748 45.072 -0.000 0.022 0.035 0. |.212 45. |.118 0.047 -0. .703 27.021 0.010 0. |. |. |* . |. .336 0. |* . .*|.*|. . . |* | | | | | | | | | | | Partial Correlation .084 -0.065 36. . |* . |. .000 0.003 0.035 0. | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 AC 0.001 0.*|.058 0. . . |. |. .182 25.006 0. |.116 0. |. . |.028 0.020 -0. .039 0.052 -0. |.461 37.025 43.094 -0.109 21.470 24.110 PAC 0. |* . |. |. .001 0. |* . .342 37. |* .000 0. .444 27.074 0.157 -0. |.003 0. |.771 Prob 0.910 42. |* .136 0. |.037 -0. |. . |.210 0.070 0.609 0.059 0. .096 0.072 0. |* . |. |.*|.049 0. .026 -0. |* .055 -0. |.132 0.056 0. .030 0. .004 0. . .520 37.035 0. .049 0.001 0.033 0.080 0.*|. .045 41.166 40. |.055 -0.007 0.076 0. .845 25.158 0.793 32. . |. | | | | | | | | | | | | | | | | | | | | | | | | 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 0.004 0.759 36.049 -0.365 37.*|.044 0.048 0.053 0.011 0.661 43.069 0.111 0. |* .109 0. |.*|.010 43.001 0. |* .234 30. |* .025 -0.022 0. .073 36. .444 35. |* .053 0.009 0. .149 43. .070 -0.051 0. |.077 0. |. .248 43. | | | | | | | | | | | | | | | | | | | | | | | | . |* . |* . |. .000 0.297 22.*|.093 -0. |.746 39. |*** . |. |* . |* .088 -0. .084 -0.100 0.718 29.011 0.013 0. |. |** .*|.010 0.090 0. .034 0.131 2.580 37.141 0.033 31.028 0. .008 0.165 0. |. |.000 0.976 38. .015 0.046 0.002 0. . |. . |. |* .053 0.

|.029 0. . . .044 -0.840 32.286 32.093 -0. .147 0.FACULTAD DE ECONOMIA .436 37.051 -0.004 0.084 -0. . |.540 37. |.198 0. |** . .649 32.820 10. . |.005 0.115 0. |* | | | | | | | | | 1 2 3 4 5 6 7 8 9 AC 0.058 -0. |. . |. .521 31.148 0.899 31. . .015 -0. |. . .108 0.*|. .040 0.265 0.032 0.038 0. |.003 0. .059 0. |.110 -0.032 0.*|.262 40 UNCP-2008 .014 0. |. |. |. .202 Prob 0.550 10. |. |. |. |. .009 -0.032 -0.926 11.017 0.020 -0. . |.032 -0. |. |.022 0.553 10.002 0. |. |* .165 0. |. |.572 31. . |* . . | | | | | | | | | Partial Correlation .043 -0. |. |.016 0. |.081 0.015 -0.032 -0.233 36.005 0. .*|.660 10. . .807 31.007 0.102 0.050 0.037 32.640 10.001 -0.3155 10.046 -0.013 -0.297 32.080 0.112 0.032 0.107 0.080 0.077 0. |.143 36.024 0.*|. .082 Q-Stat 8. . . |. |.000 -0. |.337 0. |. |.240 34.436 37. . |.001 -0.078 0. |* . |. |.036 -0.009 -0.*|.269 0.007 0. |** . |. .068 -0.902 0.138 0.3 Date: 07/19/08 Time: 17:59 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .007 -0. |* .*|. |.*|.058 -0.899 32. .274 35. . |.016 0.051 -0. .080 -0. . |. .085 -0. |. .042 -0. .931 39.042 -0.053 -0.026 0.130 0.477 37.005 0. .043 -0. .022 0.3 RENDIMIENTO DEL SECTOR SERVICIOS Tabla 2. .029 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.*|.003 -0.206 0. .310 0.037 0. | | | | | | | | | | | | | | | | | | | | | | | | | . . .063 0. |. .046 0.047 PAC 0.027 -0.989 34. |.109 31. .*|.0497 8. |.050 0. . .010 0. .064 0.493 36. . |.074 0. |. |.521 31.141 -0. .031 -0. . |. . .301 2.920 37.099 0.049 -0. |.000 -0. .015 0. |. .018 -0. .048 -0.232 0.048 0. .265 -0.*|. .*|.526 37.

.056 -0.4 Date: 07/19/08 Time: 18:00 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation .000 0. |. . .000 0. |* . .000 0.036 0. . |.082 0. |** .680 0. |.059 15. |.*|.056 -0.741 0. .045 0.420 0.062 0. . |.589 0.668 0.835 0. |. . |* . |*** .*|.076 -0. |. .257 0. |.026 -0. |.869 0.894 13. |.018 0. |. |** .031 -0. . .030 0. |* .195 27. |*** .018 0.106 -0.056 0. |.*|.4 RENDIMIENTO DEL SECTOR DIVERSAS Tabla 2. .*|.888 0.669 0.445 0.000 0.053 0. |. |. . |. |* .606 0.FACULTAD DE ECONOMIA .192 18.041 -0.000 0. |. . |. |.027 -0.658 28. |.115 -0.088 0.021 -0. |.196 29. . . |** . .111 -0.030 -0.*|.244 29. .012 -0. |. .130 -0. |** .007 -0. | | | | | | | | | | | | | | | | | | | | | | | | | | | . . . . |. |** .004 -0.012 52.753 0. .006 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 0.025 -0.126 -0. . .014 -0. |.115 0.000 41 UNCP-2008 . |* | | | | | | | | Partial Correlation .496 0.730 0.076 18.753 0. .587 25.007 -0.610 0. |. .459 41.061 -0. |.339 0. .568 0.731 29. |. .164 -0.*|.047 -0. | | | | | | | | 1 2 3 4 5 6 7 8 AC 0.607 0.015 0. |.147 0.100 -0.893 55.281 11.058 -0. |.742 33.048 0. |.307 0.219 28. |. .030 -0. . |* .510 12.869 16.017 -0.170 18.201 0.024 -0. .137 0. . . .725 0.035 0.648 0. |.919 48. . . .697 0.212 28.*|.045 -0.042 Q-Stat 22. . |.658 0.*|. |. |.408 13.135 PAC 0.798 0.029 -0.700 41.702 0. .974 14. |.742 0. |. |* .158 -0. . . |. |. . |.056 0.768 2.533 0.741 Prob 0.*|.010 -0.037 -0.138 0.*|.001 12.000 0.666 0. .492 17. . . |.491 22.241 11.017 0.*|.513 57.445 0.110 -0.015 -0. |.033 -0. .392 11.012 -0. . . .246 0.226 0.059 0.103 18.016 -0. .013 -0.*|. . |. |.086 11.311 16. .000 0. |.591 18.

.059 75.044 85.003 -0.017 -0.000 0.861 78.000 0.939 84. . .653 76.059 -0. .006 -0. . .071 0.000 0.000 0. . |.064 -0. |.*|.000 0. |.065 0.307 78. . |. |.*|.073 0. .009 79.134 -0.000 0.014 -0.004 0. |.158 -0. .000 0.000 0. |.000 0. .049 0.338 82.028 -0. |* .012 62. .*|. |. .054 75. . .*|. |. . |.*|. |.030 0.048 -0. |. |* . |.164 65.000 a) SECTOR BANCOS: UNCP-2008 42 . |.022 0.126 0. |.000 0. |.000 0. |.000 0.101 0. |* . .*|. |. |* . . |* .931 69. |* .134 -0.189 0. .*|. .125 0.*|. . |. |* .028 0. .037 -0.937 84.000 0.000 0.403 0. |. .000 0.303 80.207 0. .578 75.004 0.449 84.*|. |. .135 0.000 0. |.053 0.968 79. |.*|.681 90. .000 0.024 0. .066 -0. . |** . |. |.028 -0.007 -0.FACULTAD DE ECONOMIA . .038 0. | | | | | | | | | | | | | | | | | | | | | | | | | | | | . .663 80.434 78.173 0.469 78.043 -0.070 0.027 -0.000 0. |.043 -0.000 0. |.000 0.066 -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 0.640 79.000 0.056 75. .420 78.016 -0.067 0.*|.000 0. . |* . |. |. . |. . .080 -0.170 0.415 78.012 -0. .*|. |.037 -0. |* .065 -0. |* .085 -0.164 -0. .000 0. . .000 0.010 0.969 85.000 0.696 81.051 -0.721 88.000 0. .015 0. .129 0. . .189 0.069 0.*|.032 -0. |.000 0.

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

1589 2.694237 0.073559 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.0003 0.0000 0.2) D(BANCOS(-2).015063 0.151440 Prob. Error 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).212104 58.336277 -2.9120 0.682363 0.53075 4.001061 0.557320 131.199575 0.D.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(BANCOS.46563 0.774941 0.9510 0.707963 0.451959 -3.061612 Prob.40E-05 0.001669 -1.FACULTAD DE ECONOMIA Null Hypothesis: D(BANCOS) has a unit root Exogenous: Constant.0000 0.000000 Mean dependent var S.2) C @TREND(1999M01) R-squared Adjusted R-squared S.793757 3.E.092227 Std.130517 -2. Linear Trend Lag Length: 2 (Automatic based on SIC.045236 -3.53075 -4.101670 0.000227 t-Statistic -10. 0.147684 0.091225 0.110768 -0.* 0.344371 0. -10. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 44 . of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.

FACULTAD DE ECONOMIA SECTOR MINERAS: UNCP-2008 45 .

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

179786 Prob.451568 -3.845405 92. Linear Trend Lag Length: 1 (Automatic based on SIC.0002 0.152262 0.018067 0.838442 -0.FACULTAD DE ECONOMIA Null Hypothesis: D(MINERAS) has a unit root Exogenous: Constant.004517 4.151211 Prob.19761 -4.848663 109. -12. 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) UNCP-2008 47 .944170 -1.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(MINERAS.092000 0.724548 0.E.089903 0.19761 3.8031 0.000000 Mean dependent var S.0000 0.044415 -3.* 0.353136 -0.716678 0.8577 -0.06376 0.168901 -1.857235 0.9573 2.000302 0.084610 Std. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.2) C @TREND(1999M01) R-squared Adjusted R-squared S.D.250012 0.000274 t-Statistic -12.2) 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). Error 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.92E-05 0.

0000 UNCP-2008 .0 -. 48 -12.0 -.2 .1 -.2 .1 -.2 Null Hypothesis: D(SERVICIOS) has a unit root Exogenous: Constant. MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.451568 -3.044415 -3.2 99 00 01 02 03 04 05 06 07 Cycle 08 SERVICIOS Trend . Linear Trend Lag Length: 1 (Automatic based on SIC.70684 -4.1 .151211 Prob.FACULTAD DE ECONOMIA b) SECTOR SERVICIOS: Hodrick-Prescott Filter (lambda=14400) .1 .* 0.

280150 -0.231160 Prob.70684 4.298469 0.106147 -2.E.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) c) SECTOR DIVERSAS: UNCP-2008 49 .000171 t-Statistic -12. Error 0.99686 0.0000 0.064980 Std.880467 -2.96E-05 0.332741 160.089481 0.382990 -0.147158 0.056294 0.FACULTAD DE ECONOMIA Augmented Dickey-Fuller Test Equation Dependent Variable: D(SERVICIOS. 0.869914 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S.726556 0.781702 92.003375 3.011308 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.2) 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).718743 0.7659 0.8176 -0.0000 0.001141 0.9854 2.000000 Mean dependent var S.

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

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.884160 -0.* 0.0000 Augmented Dickey-Fuller Test Equation Dependent Variable: D(DIVERSAS.001864 0.000000 Mean dependent var S.0003 0. Error 0.0026 0.047263 -1.226280 0.2) D(DIVERSAS(-2). dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) a) SECTOR BANCOS: Dependent Variable: BANCOS Method: ML .306242 0.000265 t-Statistic -8.046072 -3.151673 Prob.017648 0.843506 0.5286 2.897385 60.162663 0.084603 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.85E-05 0.058393 0.070008 Prob.100735 Std.D.091039 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).Normal distribution 51 UNCP-2008 .45157 0.501989 0.ARCH (Marquardt) .0002 0.722917 115.737141 0.2) C @TREND(1999M01) R-squared Adjusted R-squared S.573637 3.E.268992 0. 0.353608 -0.9443 0.727710 3.2) D(DIVERSAS(-3).001030 1.749540 0.0000 0.086060 3.573637 -4.9536 0. -8.165014 -2.452358 -3.

E.966141 1.937565 Prob.006650 Std. 0.010940 0.0000 0.3485 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.231381 Mean dependent var S.Normal distribution UNCP-2008 52 .0635 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 0.288997 -0.D.ARCH (Marquardt) . Error 0.855941 0.288260 1.616683 135.361077 -2.021764 0.007093 z-Statistic 0.003354 -0.155715 5. of regression Sum squared resid Log likelihood 0.003992 0.075217 0.074412 -2.000669 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat b) SECTOR MINERAS: Dependent Variable: MINERAS Method: ML .2203 0.

D.099436 6.008564 z-Statistic 3.315816 Mean dependent var S.740262 0.914417 1.030239 Std.000009 -0.073609 -0.001161 0.854253 114.106429 0.530969 Prob.087726 -1.E.4591 0. of regression Sum squared resid Log likelihood 0.007090 0.0000 0. Error 0.029984 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat c) SECTOR SERVICIOS: Dependent Variable: SERVICIOS Method: ML .2851 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 0.987234 -1.ARCH (Marquardt) .018357 0.088528 0.0004 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.Normal distribution Date: 07/19/08 Time: 00:48 UNCP-2008 53 . 0.

002875 -0.048061 9.052776 -3.Normal distribution Date: 07/19/08 Time: 00:53 Sample (adjusted): 1999M02 2008M05 UNCP-2008 54 .018408 0.053259 0.255423 -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. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat d) SECTOR DIVERSAS: Dependent Variable: DIVERSAS Method: ML .467467 Mean dependent var S.011178 -2.6260 0.966705 0. of regression Sum squared resid Log likelihood 0. Error 0.000311 0.046460 -0.ARCH (Marquardt) .292552 Prob.938361 1.0219 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.0000 0. 0.011275 0.004743 z-Statistic 2.3337 0.D.E.309184 171.010875 Std.000058 -0.

803854 1.018711 0. 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 0.0000 0.018879 0.089162 0.141794 5. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat MODELO GARCH DE ORDEN UNCP-2008 55 .094722 0.001307 0. Error 0.876671 -1.0294 Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.007332 0.178039 Prob.154436 -0.0935 0.D.977974 108.104248 Mean dependent var S.611513 1.009569 z-Statistic 2.020842 Std. of regression Sum squared resid Log likelihood 0.2761 0.000521 -0.093840 -1.E.

655946 0.0977 0.0334 0.075524 0.127482 -1.0049 0.006982 z-Statistic 1.232695 Mean dependent var S.059845 Prob.030125 0. Julio del 2008 UNCP-2008 56 .2810 0.813392 2.549212 -0. 0. Error 0.002525 0.2892 Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.300785 1.010940 0.ARCH (Marquardt) . of regression Sum squared resid Log likelihood 0.E.084255 0.179252 -0.616025 138.FACULTAD DE ECONOMIA Dependent Variable: REND_BANCOS Method: ML .D.331660 2.397875 -2. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Ciudad Universitaria.Normal distribution Date: 07/19/08 Time: 23:29 Sample (adjusted): 1999M02 2008M05 Included observations: 112 after adjustments Convergence achieved after 12 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) Coefficient C 0.002284 -0.007104 0.007400 Std.074412 -2.