UNIVERSIDAD NACIONAL DE INGENIERIA

Facultad de Ingeniera Econ

omica, Estadstica y
Ciencias Sociales

An
alisis de Series de Tiempo Financieras

FONDOS MUTUOS: SURA RENTA DOLARES

FMIV
Alumnos:
Quispe Quispe David Jose
Torres Cabrera Jair Andre Gianfrancesco
Manrique Bustamante Renato Paolo
Profesor:
Rafael Caparo
Setiembre, 2015

Indice
1. Introducci
on

2. Resumen

3. Marco Te
orico
3.1. modelos de series de tiempo . . . . . . . . . . .
3.1.1. Modelos ARMA . . . . . . . . . . . . . .
3.1.2. Modelos de Estacionareidad Condicional
3.1.3. Otros modelos de Heterocedasticidad . .
3.1.4. Capital Asset Pricing Model (CAPM) . .

4
4
4
5
5
5

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

1.

Introducci
on

Actualmente son muchos los trabajos de investigacion que estan orientados a encontrar nuevas maneras de poder establecer un modelo para poder predecir el comportamiento de un fondo mutuo, a pesar que en esta area de las finanzas los modelos
generalmente deben de tener un horizonte de muy corto plazo, porque en cada momento de acuerdo a las expectativas de los inversionistas, estos van alterando sus posiciones
en sus carteras de inversion de acuerdo a los acontecimientos que suceden en el da a
da.
En el presente trabajo se analiza la volatilidad del fondo mutuo SURA RENTA
DOLARES FMIV, para ello se ha considerado un periodo de 10 a
nos (desde el 2005
hasta la actualidad), tratando de analizar su vulnerabilidad a ser afectados por factores
internos o externos a nuestra economa.
El desarrollo de la presente investigacion se ha estructurado en tres topicos, en el
primero se hace referencia al Marco Teorico, presentando algunas teoras referenciales
que sirven de sustento en la aplicacion de los modelos as como algunos trabajos desarrollados en otras economas sobre el tema de investigacion, en el segundo topico se
plantea el caso practico que trata de lograr un analisis y ver que modelo se ajusta mejor
a este fondo mutuo, o un modelo GARCH simetrico o un GARCH asimetrico y en el
u
ltimo topico se realiza la evaluacion de la volatilidad de este fondo mutuo, llegando
a establecer un modelo. Por u
ltimo se presentan las conclusiones y la Bibliografa del
trabajo.

2.

Resumen

Los inversionistas en cada momento tienen que tomar decisiones de inversion incorporando la incertidumbre que existe ante nuevos acontecimientos, por lo tanto, se
encuentran tomando decisiones frente a las nuevas noticias que afecta al mercado de
capitales. Es as que surge el interes en estudiar los factores relevantes que caracterizan
el comportamiento de la volatilidad de los mercados financieros, en nuestro caso, los
fondos mutuos.
Durante el periodo de estudio, 2005 ? 2015 han existido diferentes acontecimientos,
tales como crisis polticas, cambio de poltica economica, crisis sociales, crisis financieras, es decir factores internos y externos que de alguna manera nuestro mercado
ha resultado ser vulnerable frente a estos acontecimientos reaccionando de manera
diferente a cada uno de los hechos; es as que en este trabajo se ha encontrado factores estacionales, autorregresivos, que caracteriza a este fondo logrando modelarlo a
traves de modelos como EGARCH, GARCH, PARCH, MGARCH que logran reflejar
el comportamiento de la varianza condicional ante la presencia de conglomerados de
volatilidad, determinada por las expectativas de los inversiones frente a la prevision de
sus carteras.

Aunque este trabajo no logra llegar a realizar un buen pronostico de los resultados,
aun as se logra encontrar los factores relevantes para poder determinar que acontecimientos son los que generan mayor incertidumbre ante las decisiones de los inversionistas, que son caractersticas del tipo de accion y del sector al cual pertenecen.

3.

Marco Te
orico

3.1.

Modelos de series de tiempo

Para aplicar la metodologa de Box Jenkins, la serie debe cumplir con el supuesto de
estacionariedad.
Una serie de tiempo puede presentar tendencia determinstica o tendencia estocastica; la primera de ellas se caracteriza de ser predecible, y al extraerle la tendencia se
vuelve estacionaria en tendencia; la segunda mantiene un comportamiento parecido a
un random walk, la cual no es predecible, solamente diferenciando la serie se vuelve
estacionaria (estacionaria en diferencias).
Para establecer si una serie es estacionaria, tenemos que analizar el grafico y el correlograma de la serie, observando si existen shocks permanentes que no permitan volver al
equilibrio, luego tenemos que aplicar las pruebas de races unitarias5 que nos indican
que al existir una raz unitaria la serie no es estacionaria, por lo que se tendra que
corregir diferenciando la serie.
Si partimos del siguiente modelo: Yt ?Yt1 ?et , donde et es un ruido blanco ; si = 1
, se dice que la variable estocastica Yt tiene una raz unitaria, es decir, es un random
walk. Si al sacar la primera diferencia de la serie, esta se vuelve estacionaria se denomina integrado de orden uno (1).

3.1.1.

Modelos ARMA

Existen dos tipos de modelos de series de tiempo, los modelos autorregresivos de

orden ?p?, AR(p); y los modelos de promedios moviles de orden ?q?, MA(q); analizaremos brevemente cada uno de ellos:
Modelos AR( autoregresivos) Modelos AR(p): si la serie Yt se modela como un
proceso autorregresivo con ?p? rezagos, tenemos la siguiente expresion:
Yt = + a1 Yt1 + a2 Yt2 +?? + ap Ytp + et

(3.1)

Modelos MA( ) Modelos MA(q): si la Serie Yt se modela como un proceso de medias

moviles con ?q? rezagos:
Yt = + b1 et1 + b2 et2 +?? + bq etq + et
Combinando los dos modelos anteriores, tenemos los modelos ARMA (p,q)
4

(3.2)

Yt = + a1 Yt1 + a2 Yt2 +?? + ap Ytp + b1 et1 + b2 et2 +?? + bq etq + et

(3.3)

Para estimar estos modelos, Yt debe ser estacionaria, si no lo es, al diferenciarla obtenemos los modelos ARIMA (p,d,q), donde ?d? indica el orden de diferenciacion que
vuelve estacionaria la serie.
3.1.2.

Modelos de Estacionareidad Condicional

Engle (1982) determino varios modelos que tratan de explicar el comportamiento de la

varianza cuando esta es heterocedastica. Si partimos de un modelo AR(p), al modelar
la varianza de et como un proceso autorregresivo tenemos la siguiente ecuacion:
e2t = + 1 e2t1 + 2 e2t2 +?? + q e2tq + vt

(3.4)

Donde vt es un ruido blanco

Si los parametros 0 , 1 , 2 , ??, q son iguales a cero, la varianza estimada es simplemente la constante 0 (es homocedastica), en caso contrario si los parametros son significativos, la varianza muestra un comportamiento autorregresivo por esta razon se define un modelo de Heterocedasticidad Condicional Autorregresivo [ARCH(q)] que parte
del supuesto que la varianza del error no es homocedastica. Al modelar un ARCH(q),
este debera solucionar el problema de heterocedasticidad que presenta la varianza de
la serie.
3.1.3.

Otros modelos de Heterocedasticidad

EGARCH. En 1993 Engle et. all (Journal. of Finance), definen la curva de impactos
asimetricos, en la cual hacen notar que en el mercado de capitales no repercuten igual
las buenas noticias que las malas noticias, los movimientos a la baja en el mercado
vienen con mayores volatilidades que a la alza.
Cuando el rendimiento cae por abajo de lo esperado nos lleva a un escenario donde
las noticias son malas esto viene asociado a observar que la volatilidad se incrementa
y por otra parte cuando las noticias son buenas la volatilidad disminuye.
Un modelo GARCH tiene la limitacion de que trata los efectos de modo simetrico
debido a que utiliza los cuadrados de las innovaciones. Otra importante limitacion son
las desigualdades que tienen que cumplir los parametros, estas restricciones eliminan
el comportamiento al azar-oscilatorio que pueda presentar la varianza condicional. En
un modelo EGARCH no hay restricciones en los parametros.
3.1.4.

Capital Asset Pricing Model (CAPM)

El CAPM de Sharpe (1964) y Lintner (1965), es un modelo de valorizacion de activos financieros, cuya caracterstica fundamental es ser espectacional, al cuantificar el
rendimiento esperado de un determinado activo; y de equilibrio al asumir que existen ajustes permanentes en el mercado. Son varios los supuestos que comprende este
modelo, dentro de los cuales tenemos:

a. Los inversionistas son tomadores de precios y tienen el mismo perodo de vencimiento.

Los inversionistas estan supeditados a transar acciones p
ublicamente no existiendo costos de transaccion.
Los inversionistas son racionales y tienen expectativas homogeneas.
Bajo estos supuestos todos los inversionistas deben diversificar minimizando su riesgo
invirtiendo en un ndice de mercado, ya que la informacion es la misma para todos. El
rendimiento esperado de un activo financiero, bajo el modelo CAPM, esta determinado
por:
E(rx ) = rf + [E(rm )?rf ]

(3.5)

Donde E(rx ) : es el retorno esperado del activo x rf : es el activo de libre riesgo

rm : es el retorno de mercado : es la pendiente que mide la covarianza del retorno
?x? con el mercado, dividido por la varianza del mercado. Tambien definido como la
contribucion al riesgo de mercado del activo ?x?.
El parametro siempre debe ser positivo, ya que refleja la relacion directa entre
riesgo y rentabilidad. Si > 1 , significa que el rendimiento de la accion es mucho mas
sensible a las variaciones del rendimiento de mercado (es una accion agresiva), en caso
contrario que < 1 la accion es menos sensible a las variaciones del mercado (accion
defensiva), y si = 1 la accion refleja el comportamiento del mercado.
La volatilidad de una accion esta medida por su desviacion estandar que es igual
al riesgo u
nico12 mas el riesgo de mercado, bajo el modelo de CAPM el riesgo u
nico
es cero, es decir que el rendimiento esperado de una accion depende solo del riesgo de
mercado que lo determina el Beta ().