Evidencia de Efectos Estacionales - FrederyCarrasco - DiegoVillafana

Existencia y causas de los efectos estacionales en los mercados de renta variable, renta ja y de dinero en el Per: Un enfoque de modelos asimtricos
Fredery Antoni Carrasco Rojas* , Diego Enrique Villafana Thompson** Lima, Diciembre 2012
Resumen Se examina la existencia de efectos anmalos estacionales en las acciones que listan en la bolsa de valores de Lima para el mercado de renta variable, los bonos del estado para el mercado de renta ja peruano, y la tasa interbancaria para el mercado de dinero. Los resultados arrojan que en promedio la rentabilidad de los das lunes y martes es mucho menor que la de los das viernes, dndose lugar a la existencia de rendimientos anormales que provocan ineciencia en mediano plazo. La evaluacin se planteo en saber por qu ocurre esto y sus implicancias; para ello se utiliz el modelo economtrico de series nancieras GARCH y los modelos asimtricos TARCH y EGARCH, los cuales corren simultneamente los retornos y la varianza condicional de las series, dado como resultado que los mercado de renta variable y mercado de dinero son ecientes, y el principal factor de esta ineciencia es por el tipo de liquidacin que muestra el mercado peruano (T+3) en donde se reciben das extras de crdito por los das sbados y domingo, tanto para el mercado de renta variable como para el mercado de dinero. Palabras clave: Efecto da de la semana, GARCH, TARCH, EGARCH, volatilidad condicional, efecto calendario, ndices burstiles.
* **
Bachiller en economa con especialidad en economa nanciera Bachiller en economa con especialidad en economa de la empresa
Agradecimientos
A nuestros padres y familiares, ya que esta investigacin es fruto de la formacin que ellos depositaron en nosotros, a nuestros asesores y profesores que dedicaron parte de su tiempo en el desarrollo de la presente investigacin, sobre todo a Phd(c) Rodrigo Escudero, Juan Manuel Meneses, Phd Alejandro Aguilera, Jhon Lpez, Phd Miguel ngel Carpio y Jorge Farfn.
ndice
1. Introduccin 2. Revisin de la Literatura 2.1. Mercados globales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. Mercados Emergentes . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3. Latinoamrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4. Mercado Peruano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. Historia de los Modelos ARCH 4. Metodologa 4.1. GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. T-ARCH o TGARCH . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. EGARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. Mercado de Renta Variable 5.1. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2. Resultados del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3. Efecto de Rendimientos Estacionales Mensuales . . . . . . . . . . . . 6. Mercado de Renta Fija 6.1. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2. Resultados del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . 7. Mercado de Dinero 7.1. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2. Resultados del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . 8. Encuesta a Casas de Bolsa, Bancos y AFPs 9. Conclusiones 10.Recomendaciones para Estudios Posteriores 4 5 5 5 6 6 7 8 9 9 10 10 10 15 21 24 24 29 33 33 39 45 46 47
1.
Introduccin
El efecto da de la semana en el mercado burstil consiste en las diferencias tanto hacia arriba como hacia abajo de los rendimientos promedios y la volatilidad de los ndices que se toman, en donde bajo el supuesto de mercado eciente, el rendimiento de todos los das de la semana debera ser similar. Los inversionistas siempre estn en bsqueda de obtener rentabilidades superiores al promedio, por tanto al demostrar que existe un efecto da de la semana signicara que es posible hacer estrategias que permitan ganarle al mercado; sin embargo, esto contrapone la hiptesis de mercado eciente (EMH) Eugene Fama (1965), la cual establece que no se pueden obtener rentabilidades excesivas, ya que las expectativas del especulador son cero; debido a que la informacin que se tiene se ajusta de manera muy rpida al mercado. Los inversionistas de bolsa o especuladores siempre buscan encontrar una anomala en el mercado ya que dependiendo del grado de aversin que tenga cada uno, se le premia por encima o por debajo de lo que el mercado genera, tambin les permite un mejor manejo de la inversin, ya que sabrn cuando realizar una venta o una compra. Otro punto de este estudio es el comportamiento irracional de los especuladores, esta rama se llama Behavioral Finance (nanzas del comportamiento), en donde sucesos exgenos al comportamiento de las acciones y las nanzas, producen efectos en las nanzas mismas; por ejemplo los das nublosos o no soleados no deberan tener algn efecto sobre el rendimiento de las acciones, pero Tufan y Hamarat (2004) encuentran un efecto negativo y signicativo con respecto al rendimiento de las acciones, sugiriendo como causa a la actitud que tienen las personas en ese da. La idea de mercado eciente respecto al efecto da de la semana se dio con Jules Regnault (1863) y Louis Bachelier (1900), en donde en consistencia con la EMH se reconoce la hiptesis de caminata aleatoria, que sugiere que el movimiento del precio de las acciones de un da no est relacionado con el da previo; otros autores que desarrollaron esta idea fueron Burton Malkiel (1973) ideando estrategias de inversin para un mercado donde exista caminata aleatoria de acciones, ms tarde Eugene Fama (1997) manifest que en el corto plazo se mantiene el enfoque de EMH debido a que los individuos asimilan rpidamente la informacin, ya que esperan que el precio de un activo valorizado se ajuste a la oferta y demanda; eliminando sobre o sub valoraciones. Ante todo esto la EMH ha sido criticado, especialmente durante la crisis nanciera hipotecaria del 2007-2010 donde los individuos y especuladores mostraron expectativas mayores hacia un activo, realizndose sobrevaloraciones. Otro argumento en contra de la existencia de eciencia fue propuesta por Mandelton (2004), donde los mercados tienden a una caminata aleatoria sesgada, es decir las personas no reaccionan inmediatamente a la informacin que se encuentra en el entorno nanciero, sino que hacen un rezago y esperan que esta se conrme para establecer una tendencia. Con esto, el principal objetivo de este paper es demostrar que el mercado bur-
stil limeo no cumple la EMH, por lo tanto esta ineciencia o anomala permitira obtener rendimientos excesivos si se establece una estrategia ptima utilizando las herramientas indicadas como los modelos economtricos (anlisis fundamentales) o anlisis tcnicos.
2.
2.1.
Revisin de la Literatura
Mercados globales
La existencia de anomalas de mercado esta claramente aceptada por diferentes autores en el campo de las nanzas del comportamiento (behavioral nance), entre los temas ms estudiados de este campo est el efecto da de la semana, efecto enero y efectos festivos. Donde se reejan comportamientos irracionales que afectan el retorno de las acciones. El efecto da de la semana (day of the week) es un tema que ha sido investigado en diferentes pases tanto en desarrollados como emergentes obteniendo resultados diversos como en Cross (1973) que fue el primero en observar diferencias en el rendimiento de las acciones tomando como base ms de 30 aos de informacin del ndice SP 5001 , French(1980) tambin evala rendimientos diarios del ndice SP 500 para el periodo de 1923-1977, encontrando un rendimiento negativo y signicativo los das lunes y un efecto positivo los das mircoles, French concluye que el rendimiento negativo de los das lunes se debe principalmente a que las empresas publican noticias bajistas 2 durante el n de semana, por lo que el da lunes se generan opciones de venta produciendo la cada en el precio de las acciones. Gibbons y Hess (1981) siguen a French pero utilizan el periodo 1962-1978, encontrando los mismos resultados que French, Jae y Westereld (1985) muestran que en pases como Japn y Australia tienden a rentabilidades negativas los martes y muy altas los viernes, dando como posible explicacin la diferencia de horarios entre Estados Unidos y los dems mercados, ya que si en general el rendimiento de los das lunes en EEUU era negativo, y en los dems mercados estudiados se encontraba el menor rendimiento los das martes, esto podra deberse al rezago de la informacin de un da, es decir por la caminata aleatoria sesgada. Otros autores que llegan a la misma conclusin son Flannery and Protopadakis (1988) tomando los mercado de Estados Unidos, Inglaterra y Canad.
2.2.
Mercados Emergentes
Con respecto al estudio de mercado emergentes Wong (1992) y (1999) encuentra un efecto negativo y signicativo los das lunes y positivo el viernes para Singapur, Malasia, Hong Kong e Indonesia, Sias y Starks (1995) encuentran que hay un aumento de rdenes de venta los das lunes y arma que los efectos da de la semana son ms grandes cuando los inversionistas institucionales juegan un rol mayor. Otro efecto de anomalas es el de los das pre y post feriado los cuales se deberan
1 Cross, R. A. The Behavior of Stock Market Prices on Mondays and Fridays, Financial Analysts Journal, November-December 1973 2 Del trmino bearish, se reere a noticias que causaran una cada en el precio de la accin
comportar de manera similar a los das lunes y viernes, para esto Meneu y Pardo (2004) analizan el efecto mencionado en el IBEX-35 y llegan a la conclusin que el efecto pre feriado no es causa de otras anomalas, ya que el volumen transado el da anterior al festivo no es diferente al del volumen de un da normal. Peter Reinhard y James M(2005) sugieren que existe un efecto calendario en el ndice Dow Jones considerando una data de 106 aos en donde se obtiene una rentabilidad negativa en promedio, tambin encuentran un efecto calendario en los aos entre 1980 y 1990, no obstante para despus de ese ao no se encuentra efecto alguno. Existen otros autores que comentan que no existe un efecto da de la semana en mercados en vas de desarrollo, por ejemplo Gardeazabal and Rogulaz (2002) revelan que el efecto da de la semana vara de mercado a mercado (dependiendo de su nivel de estructuracin e integracin, y el periodo que se toma), y que el efecto lunes se ve ms a menudo en los mercados grandes y avanzados mientras que en los mercados no desarrollados se encuentran resultados mixtos, que no necesariamente indicaran la existencia de efecto anmalo semanal, esto debido a que la informacin no ser gratis y adems el inversionista tendr ms restricciones y requerimientos para poder actuar.
2.3.
Latinoamrica
La existencia de efectos anmalos al nivel latinoamericano es un tema poco tratado siendo el ms resaltado el estudio denominado Anlisis del efecto da de la semana en los mercados latinoamericanos por Werner Kristjanpoller Rodrguez (2009) en donde se hace un anlisis estadstico para los ndices de los mercados Argentino, Brasileo, Colombiano, Mexicano y Peruano para el periodo comprendido entre 1993 a 2007, llegando a la conclusin de que los das lunes y jueves tienen una rentabilidad por debajo al promedio para el mercado burstil brasileo; los das lunes tienen un rendimiento debajo del promedio para el mercado mexicano y chileno, los das martes tienen un rendimiento por debajo del promedio para el mercado colombiano y existe un fuerte efecto da viernes para el mercado peruano. David Mauricio Rivera (2009) realiza un estudio economtrico en base a modelos asimtricos STAR-GARCH para el mercado colombiano en donde llegan a la conclusin que el da martes son lo que cuentan con un rendimiento menor al promedio, para ellos dividen la data en dos series.
2.4.
Mercado Peruano
Para el caso peruano el tema de las efectos anmalos en el mercado burstil es poco tratado, siendo el paper de Delgado y Humala (1996) una de las pocas investigaciones que analiza a ligeros rasgos dichos efectos en el Pru. El paper se centra en analizar los patrones de comportamiento del mercado peruano con el de otros mercados, como la autocorrelacin positiva en periodos cortos y negativo en periodos largos, y que usualmente la ineciencia se atribuye a la existencia de agentes irracionales que distorsionan los precios del mercado.
3.
Historia de los Modelos ARCH
Desde 1982 Robert Engle revolucion los modelos de volatilidad introduciendo estructuras cuadrticas a las pautas de la metodologa Box-Jenkins creadas en 1976. Escribi un artculo sobre la inacin en el Reino Unido y el nacimiento de los modelos de Heteroscedasticad Condicional Autoregresiva- ARCH, a partir de este momento se comenz a investigar la modelizacin de la varianza de las series de tiempo con un especial nfasis en los mercados nancieros. En la actualidad los modelos ARCH ya forman parte de la econometra convencional. Lo nuevo de estos modelos fue que intentaban describir el comportamiento econmico, en los mercados nancieros se relaciona la estabilidad o inestabilidad con el comportamiento anterior, lo que causa fuertes impactos en estas variables sin embargo el efecto no es duradero por lo que luego de un tiempo regresan a su senda regular. Entonces podemos concluir que los movimientos actuales de las variables se deben a la expectativa creada sobre el valor de cambio producido en el momento anterior. (Valor esperado condicionado a la varianza del periodo anterior. En las teoras clsicas de las series de tiempo se empleaba la metodologa BoxJenkins, lo cual se distanciaba bastante de la realidad ya que se parta de un proceso estocstico estacionario es decir un proceso con media constantes, varianza constante lo que implicaba una correlacin igual entre dos observaciones cualesquiera separadas por la misma distancia. En torno a la homocedasticidad de las series de tiempo hay diversas teoras y modelos matemticos centrados en la diferenciacin de la serie de tiempo y la existencia de races unitarias a partir de las metodologas de Dickey-Fuller, Mackinon o de Phillips y Perron, entre otros. La gran conclusin es que si se asume cualquier variable como constante la estimacin estadstica puede incurrir en grandes errores, por ejemplo podramos omitir los efectos de un shock aleatorio. En el caso de lo mercado nancieros para poder predecir sus movimientos es necesario asemejar los modelos al comportamiento real, es decir debemos de modelar la varianza de tal manera que capte todos los efectos a los cuales sea expuesto el modelo. Engle en uno de sus artculos sobre los modelos ARCH, mediante 3 enunciados justica la modelizacin de la Heterocedastidad Condicional Autoregresiva: La experiencia emprica nos lleva a contratar periodos con diferentes varianzas de error. Es decir el valor de la dispersin del error respecto a la media cambia en el pasado, por eso un modelo que incluya la varianza en el pasado realizar estimaciones ms precisas. Estos modelos sirven para determinar de venta o no venta de activos nancieros, los agentes econmicos toman su decisin en funcin a la informacin del pasado es decir al valor medio de su rentabilidad y de la volatilidad que hayan tenido. El modelo ARCH puede ser una aproximacin de sistemas ms complejos en el que no existan factores tecnolgicos que afecten la heterocedasticidad condicional. Los modelos estructurales admiten una especicacin tipo ARCH
innita determinantes por parmetros cambiantes, lo que hace a los modelos capaces de contrastar la hiptesis de permanencia estructura con una hiptesis de partida con lo que se da validez al modelo
4.
Metodologa
Siguiendo el enfoque de Gibbons y Hess (1981) se sigue la siguiente regresin para medir el efecto da de la semana: rit = 1 d1t + 2 d2t + 3 d3t + 4 d4t + 5 d5t + t (1)
Donde dit representa las cinco variables dummy para los cinco das de la semana que las acciones listan en bolsa. d1t si el da t es lunes de lo contrario es cero, d2t si el da es martes de lo contrario es cero, etc. Sin embargo existen dos problemas con la regresin anterior, el primero es que lo residuos que se obtienen del modelo pueden estar correlacionados y lo segundo es que la varianza de los residuos no seran constantes, la solucin sera introducir al modelo la rentabilidad del da anterior rtj . Esta forma de anlisis se utiliza en los trabajos de Kyimaz y Berument (2001).
5
rit = 1 d1t + 2 d2t + 3 d3t + 4 d4t + 5 d5t +

j =1
j rtj + t
(2)
Una vez que se obtiene indicios de la existencia del efecto da de la semana, se omite una variable dummy que nos permitir medir el impacto de los dems das tomando como base la variable omitida (para nuestro caso omitiremos el da martes).
4
rit = c + 1 d1t + 2 d2t + 3 d3t + 4 d4t + 5 d5t +

j =1
j rtj + t
(3)
Para el anlisis del efecto pre feriado se sigue el mismo procedimiento en donde se crea una variable dummy que toma valores de 1 para los das anteriores a una festividad y 0 cuando no lo es.
2
rit = c + 1 DP F1t + 2 DP F2t +

j =1
j rtj + t
(4)
Al tener una serie de corto plazo (5 das) esta puede presentar oscilaciones los cual se puede recoger en un modelo de varianza condicional y de esta manera hacer mejores predicciones a corto plazo sobre una serie nanciera. Con un modelo de varianza condicional se debera tener una estimacin sobre el valor absoluto de
la magnitud de los retornos ms exacta. Para nuestro caso la metodologa que se utilizar sern los modelos de la familia ARCH los cuales introducen el concepto de varianza condicional.
4.1.
GARCH
Engel (1982) propuso el modelo autorregresivo condicionalmente heterocedstico (ARCH), el cual forma parte de una familia para modelar la volatilidad de las series. Es este modelo toma en cuenta que la varianza condicionada a la informacin del periodo anterior no es constante y depende del cuadrado de la innovaciones pasadas. Bollerslev (1986) propone un modelo generalizado del ARCH al que denomin GARCH en donde se introduce que la varianza condicional depende adems de los errores al cuadrado del periodo anterior.
4 2 t = + 2 d2 + 3 d3 + 4 d4 + 5 d5 + s=1 2 s t s + g =1 4
w s 2 ts
(5)
El siguiente paso sera estimar las 2 ecuaciones, retorno y varianza condicionada simultneamente, con lo que obtendremos los rasgos y caractersticas de la serie nanciera que hemos utilizado.
4
rit = c + 2 d2t + 3 d3t + 4 d4t + 5 d5t +

j =1 4 2 t = + 2 d2 + 3 d3 + 4 d4 + 5 d5 + s=1
j rtj + t
(6)
4 2 s t s + g =1
w s 2 ts
(7)
La intuicin de por qu se mide la varianza se debe a que la volatilidad captura la informacin que se da en el mercado, ya sean buenas o malas noticias y es esta informacin la que permite que se den cambios en la rentabilidad ya sea hacia arriba o hacia abajo; de esta manera podemos tener una mejor medida del impacto de un da de la semana.
4.2.
T-ARCH o TGARCH
El Threshold GARCH (TGARCH), creado por Glosten, Jagannathan Runkle (1993) y por Zakoan (1994),se usa con frecuencia para manejar efectos de asimetra o apalancamiento (leverage)3 .
4
rit = c + 2 d2t + 3 d3t + 4 d4t + 5 d5t +

j =1
3
j rtj + t
(8)
Aplicacin de los modelos Garch a la estimacin del Var de acciones colombianas, Ospina, Giraldo, 2009, Revista soluciones de Postgrado.
4 2 t = + 2 d2 + 3 d3 + 4 d4 + 5 d5 + s=1 2 s t s +
w s 2 ts +
g =1 h=1
Ith 2 th (9)
El TGARCH utiliza para captura la asimetra de las buenas y malas noticias, esto se ve reejado en los diferentes efectos de la varianza condicional, en particular las buenas noticias esta reejados en w mientras que las noticias negativas lo estaran en w , adicionado si es diferente de cero esto signicara que las noticias son asimtricas y entre mayor y positivo sea exhibir la presencia de un efecto apalancamiento (Leverage eect) en donde la malas noticias incrementan la volatilidad.
4.3.
EGARCH
Es un modelo GARCH exponencial creado por Nelson (1990) que captura tambin la asimetra y busca analizar que ponderacin a las noticias buenas o malas, pero a diferencia del modelo TARCH, el logaritmo de la varianza condicional implica que el efecto apalancamiento sea exponencial garantizando que la estimaciones de la varianza condicional no sean negativas.
4
rit = c + 2 d2t + 3 d3t + 4 d4t + 5 d5t +

j =1
j rtj + t
(10)
4 2 ln(t ) = + 2 d2 + 3 d3 + 4 d4 + 5 d5 + s=1 2 s ln(t s )+
wg tg
2 t s
+
k=1
k=1 [
wg tg
2 t s
g =1
2 ]
(11)
5.
5.1.
Mercado de Renta Variable

Datos
Se toma los datos diarios para el ndice general de la bolsa de valores de lima (IGBVL) tomando una muestra de 10 aos, en los cuales se incluye el precio de cierre de un da, para esto se tom como el inversionista representativo a una persona o entidad de mediano plazo, ya que si fuera de muy corto plazo se debera correr un modelo por cada semana y con la evidencia que se tiene de la HME, la cual indica que esta prevalece en el corto plazo , y por tanto no encontraramos efecto alguno al tomar un inversionista de corto plazo.
10
Se dividi la serie en dos tramos que van de enero del 2000 a diciembre del 2005 y enero del 2006 a abril 2011. Los datos que se utilizan son los das en los cuales la bolsa lista, es decir de lunes (inicio) a viernes (cierre); aunque puede existir das en los cuales los das de inicio sean diferentes por ser feriados. En los siguientes cuadros se puede observar el comportamiento del IGBVL, en el grco de la izquierda se encuentra agrupada la informacin que va desde enero del 2000 a diciembre del 2005 y a la derecha desde enero del 2006 a abril del 2011, en el segundo cuadro se observa tambin el ruido que agrega la crisis nanciera del 2008 (observacin 750+/-).
Serie 2000-2005
Serie 2006-2011
Para poder hallar las rentabilidades diarias se toma el logaritmo del precio de cierre de un momento t entre el logaritmo del precio de cierre momento t 1. RT = Ln( PT ) PT 1 (12)
11
Los resultados estadsticos muestran que en promedio las rentabilidades diarias en el IGBVL son menores los das lunes y martes, mientras que se obtiene una alta rentabilidad los das viernes, lo que nos da un indicio visual de la existencia del efecto da de la semana, tambin se reviso la data para ver la existencia de un rendimiento sumamente alto que haga que capture un efecto viernes, dado esto no se encontr un rendimiento sumamente explosivo en ninguna de las dos series.
Rendimientos - Serie 2000-2005
Para el histograma diario se observa que ningn dia se comporta como una distribucin normal lo que apoya la existencia de estacionalidad. Un anlisis breve del da viernes es que este se acerca hacia la derecha y con una frecuencia moderada por lo que esa variable tendr un rendimiento alto y signicativo.
12
2000-2005
PROMEDIO Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Sum Sum Sq. Dev. Observations 0.064370 0.038000 4.287000 -6.884 0.894457 -0.502904 9.224633 96.16900 1194.479 1494
LUNES 0.017696 -0.036982 4.286833 -6.883544 0.996332 -1.105098 15.77638 5.255762 293.8324 297
MARTES 0.002805 0.003045 3.077132 -3.668701 0.843764 -0.212336 5.269048 0.847139 214.2934 302
MIERCOLES 0.049116 -0.013806 3.978766 -3.668625 0.895691 0.243868 6.234715 14.83307 241.4808 302
JUEVES 0.087580 0.056476 3.980502 -3.536247 0.874527 -0.196715 6.049891 26.01129 226.3803 297
VIERNES 0.166303 0.183092 2.474460 -4.780121 0.850487 -0.988283 7.547463 49.22569 213.3819 296
13
Rendimientos - Serie 2006-2011
14
2006-2011 PROMEDIO Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Sum Sum Sq. Dev. Observations LUNES 0.104734 0.141322 12.81556 -9.730244 2.204351 0.271465 10.29251 27.75448 1282.819 265 MARTES 0.024354 0.034846 8.328194 -4.532099 1.800243 0.303280 4.465341 6.575470 871.7957 270 MIERCOLES 0.104958 0.284323 7.545340 -9.876406 1.904023 -1.299489 9.191524 28.44356 978.8320 271 JUEVES 0.043586 0.010471 8.204982 -9.179362 1.933822 -0.562565 7.202750 11.37604 972.3131 261 VIERNES 0.239695 0.161776 8.427107 -11.44087 1.746279 -0.690332 12.85121 62.32060 789.8180 260
0.102844 0.134000 12.81600 -11.441 1.922916 -0.341826 9.141944 136.4740 4903.024 1327
En las dos series se puede observar un retorno del da viernes superior al promedio, as como un retorno negativo inferior al promedio para el da del martes. Una caracterstica principal a la hora de evaluar series de tiempo es la estacionalidad, para esto se aplic el Test de raz unitaria aumentado de Dickey-Fuller a las rentabilidades de cada una de las series. Al analizar cada una de las series con retardo mximo de 28 das, se considera como hiptesis nula la presencia de raz unitaria es decir que la serie se comporta como caminata aleatoria en donde la varianza ser constante y el movimiento de las acciones deberan ser aleatorios y no tener una tendencia en un da en especial. Con los resultados encontrados podemos concluir que las dos series que tenemos son estacionarias, ya que lo se busca realmente son efectos anmalos en una serie estacionaria con los efectos viernes o lunes.
Test Dickey Fuller T-statics P-value 1% 5% 10 % 2000-2005 -30.22602 0.000 -3.434523 -2.86327 -2.567739 2006-2011 -30.08071 0.000 -3.434523 -2.86327 -2.567739
* Se puede observar que los t-statics son mayores a los valores crticos por lo que se concluye que cada serie es estacionaria (elaboracin propia)
5.2.
Resultados del Modelo
Despus de aplicar lo explicado en la metodologa hemos corrido un MCO sin constante para las dos series siendo los resultados ms relevantes en la serie 2000 2005 los das jueves (0,075407*) y viernes (0,149932**). Para la serie del 2006 2011 el resultado ms relevante se da el da viernes (0,23246**). Luego se corri un MCO con constante eliminando el da martes para calcular la diferencia entre diferentes
15
betas de los das de la semana con la variable omitida, siendo el resultado ms relevante el coeciente del da viernes (0,152198*).
MCO sin constante Lunes Martes Mircoles Jueves Viernes Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static 2000-2005 -0.025153 -0.497515 -0.002266 -0.045375 0.045853 0.918158 0.075407* 1.496949 0.149932** 2.970608 2006-2011 0.061174 0.52599 0.00211 0.018336 0.096269 0.838228 0.027997 0.239208 0.23246** 1.982594
MCO con constante C Lunes Mircoles Jueves Viernes RT-1 Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Akaike info criterion Schwarz criterion
2000-2005 -0.002266 -0.045375 -0.022887 -0.322207 0.048119 0.681335 0.077673 1.095145 0.152198** 2.143893 0.239894 9.549312 2.558406 2.579728
2006-2011 0.00211 0.018336 0.059063 0.361231 0.094159 0.579179 0.025887 0.157741 0.23035 1.402157 0.188618 6.980658 4.116106 4.139576
Nuestro siguiente modelo testeado es el GARCH donde obtenemos, que el resultado ms relevante y signicativo es para el da viernes en ambas series, del 2000 2005 (0,173879**) y para el 2006 2011 (0,26412**). Con respecto a la varianza no tenemos resultados signicativos sin embargo podemos rescatar que la volatilidad de los viernes es negativa.
16
GARCH C Lunes Mircoles Jueves Viernes RT-1 C Lunes Mircoles Jueves Viernes
2000-2005
2006-2011 0.023701 0.30942 0.200135* 1.89115 0.178308 1.629388 0.040928 0.376633 0.26412** 2.53156 0.205606 6.557906 0.21658 1.318959 0.045358 0.175802 -0.236079 -0.85294 0.049173 0.216254 -0.312879 -1.373176 3.666588 3.717438
Coeciente -0.004504 T-static -0.11034436 Coeciente -0.003644 T-static -0.05968317 Coeciente 0.037665 T-static 0.62407391 Coeciente 0.100612 T-static 1.5262641 Coeciente 0.173879** T-static 2.84890136 Coeciente 0.204938 T-static 7.09881303 Varianza Coeciente 0.06119253 T-static 0.763949 Coeciente 0.121979 T-static 0.897243 Coeciente 0.133166 T-static 1.063662 Coeciente 0.124368 T-static 0.955124 Coeciente -0.019515 T-static -0.182476 Akaike info criterion 2.469951 Schwarz criterion 2.440967
Por ltimo se analizo bajo el modelo EGARCH que tiene resultados relevantes y signicativos para la serie 2000-2005 en los das, jueves (0,12905**) y viernes (0,19532***), y para la serie 2006 2011 en los das lunes (0,24854**), mircoles (0,190451*) y para el viernes (0,284945***).
17
EGARCH C Lunes Miercoles Jueves Viernes RT-1 C Lunes Miercoles Jueves Viernes Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static
2000-2005
2006-2011 -0.052384 -0.701536 0.24854** 2.31404 0.190451* 1.863375 0.031125 0.289017 0.284945*** 2.848704 0.23093 7.726363 -0.29269** -2.521515 0.307786 1.471898 -0.113362 -0.63293 0.142175 0.92771 -0.225869 -1.420808 3.649057 3.703819
-0.036175 -0.856886 0.043875 0.696622 0.057531 0.921308 0.128905** 1.963433 0.19532*** 3.147912 0.20922 6.806256 Varianza Coeciente -0.36422** T-static -1.962501 Coeciente 0.259857 T-static 0.935442 Coeciente 0.175386 T-static 0.828521 Coeciente 0.032151 T-static 0.149556 Coeciente -0.072868 T-static -0.406777 Akaike info criterion Schwarz criterion 2.430855 2.480606
Siguiendo en la misma direccin de evaluacin, est el Criterio de Akaike, este modelo tiene en total M parmetros que van a ser ajustados a los datos. El criterio de informacin de Akaike pondera entre la funcin logaritmo de mxima verosimilitud, usando la varianza residual, y el nmero de parmetros en el modelo. El modelo a escoger es donde AIC es mnimo. El Criterio de Schwartz va en la direccin similar y se ajusta por el tamao de la muestra. Dado esto el modelo que mejor se ajusta a la serie 2000 2005 es el T-ARCH, mientras que para la serie 2006-2011 es el modelo EGARCH esto debido a que el ruido que produce la crisis del 2008 se ajusta mejor utilizando el logaritmo de lo errores y con la nalidad de eliminar los signos negativos.
2000-2005 ARIMA GARCH TARCH EGARCH Akaike criterio 2.5584 2.4237 2.423 2.4308 Schwarz criterio 2.5797 2.4699 2.4783 2.4806
18
2006-2011 ARIMA GARCH TARCH EGARCH
Akaike criterio 4.1161 3.6665 3.6536 3.649
Schwarz criterio 4.1395 3.7174 3.7084 3.7038
En consistencia hemos encontrado un efecto viernes positivo y signicativo en las dos series que hemos utilizado y en cada uno de los modelos, si bien muchos de los motivos que explican el efecto viernes no se pueden testear, ya que se encuentran en el campo de las nanzas del comportamiento (behavioral nance), este paper ha buscado ciertos motivos que ocurren en el mercado peruano y que pueden ser posibles explicaciones al efecto viernes. Para poder explicar los rendimientos altos del da viernes tendramos que analizar la informacin relevante del da anterior que podra percutir al da siguiente. Como sabemos el BCRP es una entidad muy inuyente en el mercado burstil ya que los traders modican sus expectativas con respecto a las polticas monetarias que establece el banco, especcamente las reuniones donde se jan las tasas de encaje, tipo de cambio, etc, estas se realizan el segundo jueves de cada mes. Por lo tanto podramos correr un modelo omitiendo el da jueves y analizar el efecto que tiene sobre el da viernes, y as comprobar si es una causa al efecto viernes. En el modelo de MCO se encuentra que el jueves en el cual el BCR se rene se tiene un rendimiento alto y signicativo para la serie 2000 2005, mientras que para la otra serie este tiene un rendimiento no signicativo y negativo.
MCO Variable D1 D2 D3 D4 BCR D5 RT1 Akaike Info Criterion Schwarz Criterion 2000-2005 Coecient P-Value -0.025416 0.6151 -0.002297 0.9633 0.045833 0.3587 0.033153 0.5643 0.214708** 0.04 0.149831*** 0.003 0.241369 0.000 2.558 2.583 2006-2011 Coecient 0.061251 0.00215 0.096285 0.069567 -0.108178 0.232473** 4.117 4.145 P-Value 0.5986 0.9851 0.4021 0.6031 0.6551 0.0477 0.000
Para tener un mejor anlisis, lo que se hizo fue tomar solo los das jueves en donde el BCR se rene y los das viernes posteriores a dicha reunin. Al estimar por MCO lo que se obtiene es un efecto similar obtenido al grco anterior
19
MCO Variable BCR D5 Akaike Info Criterion Schwarz Criterion
2000-2005 Coecient P-Value 0.193058* 0.0702 0.166291*** 0.0013 2.595 2.616
2006-2011 Coecient P-Value -0.121197 0.5939 0.239715** 0.0300 3.990 4.013
Al igual que los casos anteriores es necesario utilizar un modelo de varianza condicional para obtener un estimacin correcta de los coecientes, para esto se corri bajo los modelos GARCH, TARCH Y EGARCH omitiendo el da en el cual se rene los directores del ente emisor, de est manera se puede capturar un efecto anormal. Los resultados en el grco siguiente, dejan entender que no existe ningn efecto anormal y signicativo para el da viernes para la serie 2000 2005, sin embargo en la serie del 2006 2011 se puede observar que el coeciente del viernes es alto pero con un bajo nivel de signicancia.
GARCH MCO Variable C D5 Akaike Info Criterion Schwarz Criterion 2000-2005 Coecient P-Value 0.139477 0.1817 0.022454 0.8494 2.575 2.640 2006-2011 Coecient P-Value 0.093763 0.5896 0.171948 0.3597 3.738 3.808
TARCH MCO Variable C D5 Akaike Info Criterion Schwarz Criterion 2000-2005 Coecient P-Value 0.140902 0.1868 0.021164 0.8588 2.580 2.655 2006-2011 Coecient P-Value 0.08952 0.6051 0.176145 0.3472 3.744 3.826
EARCH MCO Variable C D5 Akaike Info Criterion Schwarz Criterion 2000-2005 Coecient P-Value 0.201029 0.0545 -0.06831 0.5736 2.514 2.589 2006-2011 Coecient P-Value -0.135009 0.4668 0.26486 0.1931 3.836 3.918
El efecto del da jueves sobre el viernes solo se cumple en la segunda parte de la muestra 2006 2011, sin embargo no podemos concluir que la reuniones del BCRP tengan algn efecto en el da viernes porque en poca crisis, el Banco Central tender a bajar las tasas de inters, generando que las expectativas de los individuos
20
sean siempre hacia la baja, por tanto el efecto observado en la muestra 2006 2011 seria resultado de una disminucin de las tasas y no de el efecto de las reuniones del BCRP en s. Otro posible causa de que el da viernes sea el que tenga el rendimiento ms alto en comparacin a los otros das de la semana, ser los das extras de crdito que tiene el inversionista para liquidar y pagar sus acuerdos de compra y venta, de esta manera el inversionista preferir actuar de manera racional y comprar los activos el da viernes. Dado lo anterior y si est hiptesis fuera correcta, tendra que cumplirse tambin que los das pre feriados tengan mismo comportamiento que el da viernes. Para esto se ha corrido un modelo con los das pre feriados y los no feriados, para observar si existe un efecto anormal positivo que permite evidenciar la hiptesis de que los dos das de crdito extras son una causa del efecto viernes. Los resultados en la siguiente tabla muestran una evidencia positiva y signicativa de por lo menos 5 % en todos los modelos de volatilidad condicional, por lo que podramos armar la hiptesis de los das de crditos extras.
MCO Variable Dia no feriado Dia pre feriado RT1 Variable Dia pre feriado Dia no feriado RT1 Variable Dia pre feriado Dia no feriado RT1 Variable Dia pre feriado Dia no feriado RT1 Coecient 0.061727** 0.191125 0.198125 GARCH Coecient 0.211282** 0.08296*** 0.205433 T-ARCH Coecient 0.206647** 0.063184*** 0.213898 EGARCH Coecient 0.186293** 0.061368*** 0.217945 t-Statistic 2.233225 1.264548 10.73337 z-Statistic 2.041649 4.543393 10.50168 z-Statistic 2.004033 3.288547 10.87329 z-Statistic 2.152768 3.326258 12.08715 Prob. 0.0256 0.2061 0 Prob. 0.0412 0 0 Prob. 0.0451 0.001 0 Prob. 0.0313 0.0009 0
Akaike info criterion Schwarz criterion
3.570713 3.577035
3.02286 3.035504
3.017755 3.032506
3.025155 3.039906
5.3.
Efecto de Rendimientos Estacionales Mensuales
Con respecto a los efecto anmalos en los mercados, existen tambin efectos anormales en los rendimientos mensuales, en donde se puede testear la premisa de que no se cumple la HME, el motivo de por el cual se tomara en cuenta este efecto es que si se encuentra un mes con rendimiento mensual muy alto, lo rendimientos diarios de ese mes tambin tendrn que tener capturar ese efecto, por lo que puede que existan viernes altos que den una mala interpretacin de los resultados ante-
21
riores. Para esto se corre un modelo similar al del efecto da de la semana con la diferencia que se utilizar 12 variables dicotmicas correspondientes a los 12 meses. Siguiendo con el enfoque de Lopez y Rodriguez (2009) tendramos el siguiente modelo de regresin.
12
rit = 1 M1t + 2 M2t + 3 M3t + ... + 12 M12t +

j =1
j rtj + t
(13)
Al igual que la misma metodologa para hallar el efecto anormal diario, se omite el mes de enero para observar la existencia de algn efecto anormal mensual. Si los coeciente de las variables dummy son cero, querr decir que no existe un efecto estacional en los rendimientos mensuales, por el contrario si se obtiene coeciente negativos estaramos ante la presencia de un efecto enero.
11
rit = c + 2 M2t + 3 M3t + ... + 12 M12t +

j =1
j rtj + t
(14)
Al estimar por MCO se observa el mayor rendimiento en el mes de enero sin embargo este no diere mucho de otros rendimiento como el de febrero y marzo tambin se observa un rendimiento negativo para el mes de octubre el cual este se pueda deber a un posible outlier causado por la crisis nanciera.
MCO Variable D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 RT1 Akaike Info Criterion Schwarz Criterion 2000-2011 Coecient P-Value 3.994486 0.1323 2.606887 0.3244 3.485382 0.188 1.81027 0.494 1.127183 0.6828 0.630821 0.8184 0.149498 0.9566 1.911609 0.4866 2.011464 0.4648 -4.132416 0.1347 2.303185 0.4045 2.223739 0.419 0.145555 0.0501 7.342 7.620
Al modelarse bajo los modelos de varianza condicional se observa la presencia del efecto enero con un nivel de signicancia de 1 % para algunos modelos. Se puede apreciar tambin que siguiendo el criterio de eleccin de modelos segn su ajuste, el modelo que mejor estima los coecientes es el modelo TARCH.
22
El motivo por el cual pueda existir un efecto enero en nuestra bolsa de valores se puede deber a que las empresas empiezan a difundir las noticias de sus utilidades del ejercicio econmico que acaba de terminar4 , por lo que se da un efecto bull (compra) en el mercado de acciones para el mes de enero.
MCO Constante MCO Variable 2000-2011 Coecient P-Value 3.994486 0.1323 -1.387599 0.7117 -0.509104 0.892 -2.184216 0.5614 -2.867303 0.4555 -3.363665 0.3793 -3.844988 0.3145 -2.082876 0.5849 -1.983022 0.6041 -8.126902** 0.0353 -1.691301 0.6564 -1.770747 0.6432 0.145555 0.0501 7.342 7.620 GARCH 2000-2011 Coecient P-Value 6.619591*** 0.0001 -6.117618*** 0.0006 -4.778358** 0.0494 -4.622177* 0.0639 -5.599778** 0.0245 -8.317531*** 0.0004 -5.695187*** 0.0093 -3.183765 0.1292 -5.676851** 0.0221 -7.901774*** 0.0009 -3.364571 0.1703 -3.680571 0.1462 0.130786 0.0058 7.209 7.787
C D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 RT1 Akaike Info Criterion Schwarz Criterion
TARCH MCO Variable 2000-2011 Coecient P-Value 7.608181*** 0 -6.75712*** 0.0001 -5.844983** 0.0137 -5.259854*** 0.0086 -6.880539*** 0.0033 -9.516025*** 0 -6.25574*** 0.0004 -3.980756* 0.0638 -7.176333*** 0.0016 -9.005915*** 0.0001 -4.168302* 0.0755 -6.051004** 0.0198 0.166759 0.0002 7.184 7.784
EGARCH 2000-2011 Coecient P-Value 3.443879 0.1233 -1.866343 0.4805 -2.756303 0.4014 -0.621493 0.8498 -4.818736* 0.0834 -5.195807** 0.0566 -3.482954 0.2927 -2.047837 0.4411 -2.781932 0.4921 -3.480953 0.3013 -0.850338 0.7757 -1.979449 0.4843 0.116827 0.0157 7.274 7.874
Una vez identicado el mes en donde se obtiene el rendimiento anormal, el siguiente paso es observar si en los meses de enero, los das viernes tienen rendimiento que
El efecto enero en las principales bolsas latinoamericanas de valores, Lopez Herrera, Rodrguez Benavides, 2009.
4
23
puedan dar una mala interpretacin de los resultados. Dado esto se observa que las rentabilidades mximas de los viernes del mes de enero no inuyen en la interpretacin de nuestros resultados, dado que si se compara con el cuadro de estadsticos mostrados en la seccin de Datos de este paper ,se encontrara que las rentabilidades del da viernes para el mes de enero se encuentra dentro del promedio.
Serie 2000-2005
Serie 2006-2011
6.
6.1.
Mercado de Renta Fija

Datos
Se tomaron los datos diarios para el ndice de Dow Jones para los bonos de Per5 tanto en soles como en dlares, tomando una muestra de 10 meses y 19 meses para
The Dow Jones LATixx Peru Government Nuevos Soles Bond Index and the Dow Jones LATixx Global Peru Government USD Bond Index were rst published on October 18, 2010. All estimated daily historical closing prices prior to that date are based on back-testing (i.e., calculations of how the index might have performed in the past if it had existed). Back-tested performance information is purely hypothetical and is solely for informational purposes. Back-tested performance does not represent actual performance, and past performance is not indicative of future results
5
24
bonos en soles y dlares respectivamente, en los cuales se incluye el precio de cierre de un da, para esto se tom como el inversionista representativo a una persona o entidad de mediano plazo, ya que si fuera de muy corto plazo se debera correr un modelo por cada semana y con la evidencia que se tiene de la HME,no encontraramos efecto alguno. A diferencia del mercado de renta variable, para el mercado de renta ja no s dividi la data en periodos de evaluacin debido a la poca data que se tiene para l mercado de bonos. Los datos que se utilizan son los das en los cuales el mercado secundario de renta ja opera, es decir de lunes (inicio) a viernes (cierre); aunque puede existir das en los cuales los das de inicio sean diferentes por ser feriados. En los siguientes cuadros se puede observar el comportamiento del ndice, en el grco de la izquierda se encuentra agrupada la informacin para el ndice de bonos soles que va de junio de 2011 a marzo del 2012, y en el grco de la derecha se encuentra agrupara la informacin para el ndice de bonos en dlares que va de octubre de 2010 a abril del 2012.
Serie del ndice del Bono en Soles
Serie del ndice del Bono en Dlares
Para poder hallar las rentabilidades diarias se toma el logaritmo del precio de cierre
25
de un momento t entre el logaritmo del precio de cierre momento t-1. RT = Ln( PT ) PT 1 (15)
Los resultados estadsticos muestran que en promedio las rentabilidades diarias del ndice Dow Jones en soles, son menores los das jueves, y alta los das viernes, lo que nos da un indicio visual de la existencia del efecto da de la semana, tambin se reviso la data para ver la existencia de un rendimiento sumamente alto que haga que capture un efecto viernes, sin encontrarse un rendimiento sumamente explosivo en ninguna de las dos series.
Serie de Rendimientos del ndice del Bono en Soles
Para el histograma diario se observa que ningn dia se comporta como una distribucin normal lo que apoya la existencia de estacionalidad. Un anlisis breve del da viernes es que este se acerca hacia la derecha y con una frecuencia baja por lo que esa variable tendr un rendimiento alto, pero no signicativo.
26
LUNES Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability Sum Sum Sq. Dev. Observations 0.108974 0.090000 1.120000 -1.64 0.493237 -0.615281 5.717417 14.46029 0.000724 4.250000 9.244759 39
MARTES 0.071316 0.010000 0.700000 -0.28 0.245337 1.045635 3.582022 7.460927 0.023982 2.710000 2.227034 38
MIERCOLES 0.058462 0.040000 0.900000 -0.86 0.352447 -0.032448 3.517435 0.441919 0.801749 2.280000 4.720308 39
JUEVES 0.037692 0.050000 0.850000 -2.12 0.453979 -2.471129 14.58506 257.7891 0.000000 1.470000 7.831692 39
VIERNES 0.160000 0.170000 0.420000 -0.33 0.183712 -1.342028 5.080379 6.246573 0.044012 2.080000 0.405000 13
PROMEDIO 0.075680 0.050000 1.120000 -2.12 0.382961 -1.186329 10.87797 476.6642 0.000000 12.79000 24.63875 169
27
Serie de Rendimientos del ndice del Bono en Dlares
28
LUNES Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability Sum Sum Sq. Dev. Observations 0.058684 0.095000 1.880000 -2.41 0.681521 -0.951001 6.282560 45.57724 0.000000 4.460000 34.83527 76
MARTES 0.032222 0.075000 1.570000 -3.53 0.623234 -2.276463 16.59587 616.7307 0.000000 2.320000 27.57784 72
MIERCOLES 0.044474 0.085000 1.670000 -1.07 0.486192 0.361324 4.926122 13.40186 0.001230 3.380000 17.72868 76
JUEVES 0.032500 0.020000 1.380000 -1.55 0.448938 -0.842337 7.375009 65.93647 0.000000 2.340000 14.30975 72
VIERNES 0.034000 0.000000 0.590000 -0.41 0.251823 0.506673 3.140670 0.872214 0.646548 0.680000 1.204880 20
PROMEDIO 0.040554 0.040000 1.880000 -3.53 0.543502 -1.200835 11.25313 1000.489 0.000000 13.18000 95.70790 325
Al observar las dos series se puede observar que los efectos diarios son muy diferentes en ambas muestras, por lo que los resultados podran evidenciar la no existencia de un efecto da de la semana para el mercado de renta ja. Una caracterstica principal a la hora de evaluar series de tiempo es la estacionalidad, para esto se aplic el Test de raz unitaria aumentado de Dickey-Fuller a las rentabilidades de cada una de las series. Al analizar cada una de las series con retardo mximo de 28 das, se considera como hiptesis nula la presencia de raz unitaria es decir que la serie se comporta como caminata aleatoria en donde la varianza ser constante y el movimiento de las acciones deberan ser aleatorios y no tener una tendencia en un da en especial. Con los resultados encontrados podemos concluir que las dos series que tenemos son estacionarias, ya que lo se busca realmente son efectos anmalos en una serie estacionaria con los efectos viernes o lunes.
Test Dickey Fuller T-statics P-value 1% 5% 10 % Soles -10.53214 0 -3.469451 -2.878618 -2.575954 Dlares -14.69795 0 -3.45048 -2.870247 -2.571478
6.2.
Despus de aplicar lo explicado en la metodologa, se ha corrido un MCO sin constante para las muestras, sin encontrar alguna variable signicativa. Luego se corri un MCO con constante eliminando el da martes para calcular la diferencia entre los
29
diferentes betas de los das de la semana con la variable omitida, siendo el resultado general que no se tienen ineciencias de mercado.
MCO sin constante Lunes Martes Mircoles Jueves Viernes Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Soles 0.097994 1.608392 0.047981 0.782099 0.044748 0.733458 0.026155 0.42918 0.135863 1.285533 Dlares 0.045925 0.749242 0.017702 0.286859 0.038014 0.624947 0.023 0.368124 0.049559 0.412419
Soles 0.047981 0.782099 0.050012 0.58121 -0.003233 -0.037591 -0.021826 -0.253681 0.087882 0.722962 0.197347 2.57099 0.935198 1.046319
Dlares 0.017702 0.286859 0.028223 0.325009 0.020312 0.234587 0.005298 0.060397 0.031858 0.235629 0.195716 3.563413 1.612843 1.682698
Los siguiente modelos testeados fueron GARCH , TARCH y EGARCH, donde se obtuvo como resultado que no existe un efecto de ineciencia de mercado.
30
MCO Constante MCO Variable 2000-2011 Coecient P-Value 3.994486 0.1323 -1.387599 0.7117 -0.509104 0.892 -2.184216 0.5614 -2.867303 0.4555 -3.363665 0.3793 -3.844988 0.3145 -2.082876 0.5849 -1.983022 0.6041 -8.126902** 0.0353 -1.691301 0.6564 -1.770747 0.6432 0.145555 0.0501 7.342 7.620
GARCH 2000-2011 Coecient P-Value 6.619591*** 0.0001 -6.117618*** 0.0006 -4.778358** 0.0494 -4.622177* 0.0639 -5.599778** 0.0245 -8.317531*** 0.0004 -5.695187*** 0.0093 -3.183765 0.1292 -5.676851** 0.0221 -7.901774*** 0.0009 -3.364571 0.1703 -3.680571 0.1462 0.130786 0.0058 7.209 7.787
TARCH MCO Variable 2000-2011 Coecient P-Value 7.608181*** 0 -6.75712*** 0.0001 -5.844983** 0.0137 -5.259854*** 0.0086 -6.880539*** 0.0033 -9.516025*** 0 -6.25574*** 0.0004 -3.980756* 0.0638 -7.176333*** 0.0016 -9.005915*** 0.0001 -4.168302* 0.0755 -6.051004** 0.0198 0.166759 0.0002 7.184 7.784
EGARCH 2000-2011 Coecient P-Value 3.443879 0.1233 -1.866343 0.4805 -2.756303 0.4014 -0.621493 0.8498 -4.818736* 0.0834 -5.195807** 0.0566 -3.482954 0.2927 -2.047837 0.4411 -2.781932 0.4921 -3.480953 0.3013 -0.850338 0.7757 -1.979449 0.4843 0.116827 0.0157 7.274 7.874
31
TARCH C Lunes Miercoles Jueves Viernes RT-1 Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Akaike info criterion Schwarz criterion
Soles 0.031904 0.385442 0.026674 0.320688 0.031923 0.336071 0.016344 0.147089 0.075573 0.413805 0.291517 2.871262 0.686278 0.87148
Dlares 0.001948 0.028438 0.022216 0.257959 0.03645 0.37162 -0.007788 -0.079811 0.051507 0.227461 0.264247 3.075912 1.559231 1.675657
EGARCH C Lunes Mircoles Jueves Viernes RT-1 Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Akaike info criterion Schwarz criterion
Soles -0.015853 -0.232664 0.094593 1.323755 0.082741 0.95072 0.10593 1.015075 0.214113 1.955914 0.196876 1.894657 0.719739 0.88642
Dlares 0.023242 0.298536 0.05253 0.564267 0.048271 0.470036 0.006834 0.067423 0.013106 0.05495 0.230737 3.030369 1.581195 1.685978
El modelo que mejor se ajusta a la serie soles es el T-ARCH mientras que para la serie dlares es el modelo GARCH esto debido a que los bonos son menos sensibles a shock exgenos, a diferencia del mercado de acciones.
Soles ARIMA GARCH TARCH EGARCH Akaike criterio 0.935198 0.726115 0.686278 0.719739 Schwarz criterio 1.046319 0.892796 0.87148 0.88642
En consistencia hemos encontrado que para el mercado de bonos peruanos, no existe un efecto da de la semana y por tanto se podra considerar que es un mercado eciente, una causa de esto se podra deber a la poca liquidez que tiene este mercado en donde las variaciones de los precios son mnimas, debido a que los principales tomadores de este instrumento de deuda son las empresas aseguradoras y los fondos de pensiones.
32
Dlares ARIMA GARCH TARCH EGARCH
Akaike criterio 1.612843 1.553722 1.559231 1.581195
7.
7.1.
Mercado de Dinero
Datos
Se toma los datos diarios para la tasa interbancaria en dlares, tomando una muestra de 17 aos dividida en tres series, de 1995 al 1999, de 2000 al 2005 y de 2006 a junio de 2012, en los cuales se incluye la tasa de cierre de un da. Los datos que se utilizan son los das en los cuales el mercado de dinero opera, es decir de lunes (inicio) a viernes (cierre); aunque puede existir das en los cuales los das de inicio sean diferentes por ser feriados. En los siguientes cuadros se puede observar el comportamiento de la tasa, en el primer cuadro (Serie 01) se encuentra agrupada los datos de enero de 1995 a diciembre de 1999, del mismo modo el cuadro siguiente (Serie 02) agrupa los datos de enero de 2000 a diciembre de 2005 y el ltimo cuadro (Serie 03) agrupa los dato de enero de 2006 a junio de 2012.
Serie 01
33
Serie 02
Serie 03
Para poder hallar las rentabilidades diarias se toma el logaritmo de la tasa de cierre de un momento t entre el logaritmo del precio de cierre momento t 1. RT = Ln( PT ) PT 1 (16)
Serie de Rendimientos de la Tasa Interbancaria 1995-1999
34
LUNES Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability Sum Sum Sq. Dev. Observations 0.297764 0.000000 24.93000 -19.95 5.071089 0.630516 8.945859 378.6702 0.000000 73.25000 6300.405 246
MARTES -0.423415 0.000000 19.98000 -50.07 5.378059 -3.749896 35.67661 11521.08 0.000000 -104.16 7086.263 246
MIERCOLES -0.167927 -0.14 59.69000 -18.61 5.942131 4.150658 45.87409 19547.77 0.000000 -41.31 8650.686 246
JUEVES 0.208049 0.050000 37.08000 -19.94 4.414070 1.835014 25.73758 5437.283 0.000000 51.18000 4773.583 246
VIERNES -0.096463 0.000000 19.32000 -40.9 5.088930 -2.002112 21.61065 3714.498 0.000000 -23.73 6344.816 246
35
Serie de Rendimientos de la Tasa interbancaria 2000-2005
36
LUNES Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability Sum Sum Sq. Dev. Observations -0.494346 0.000000 49.25000 -57.98 11.95249 -0.187109 10.64056 690.0279 0.000000 -139.9 40287.12 283
MARTES -0.516007 0.000000 47.00000 -74.47 10.09595 -2.32288 26.14684 6572.193 0.000000 -146.03 28743.78 283
MIERCOLES -1.064594 0.000000 47.22000 -52.96 9.261289 -1.306606 14.87163 1742.390 0.000000 -301.28 24187.56 283
JUEVES 0.833322 0.000000 57.49000 -52.16 9.264948 0.504677 15.69500 1912.395 0.000000 235.8300 24206.67 283
VIERNES 0.967385 0.000000 41.85000 -38.11 8.514070 1.195941 10.60421 749.3030 0.000000 273.7700 20442.01 283
Serie de Rendimientos de la Tasa interbancaria 2006-2012
37
LUNES Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability Sum Sum Sq. Dev. Observations -2.322544 0.000000 202.8100 -216.91 33.16016 -1.182205 19.90624 3484.793 0.000000 -666.57 314484.5 287
MARTES -3.187084 0.000000 216.9100 -143.51 26.01325 0.665280 25.12192 5873.333 0.000000 -914.6932 193533.0 287
MIERCOLES -0.994843 0.000000 175.9200 -245.67 30.98853 -1.008704 23.62278 5134.538 0.000000 -285.52 274642.7 287
JUEVES 2.650906 0.000000 258.1000 -241.59 36.92451 1.511620 24.42663 5599.377 0.000000 760.8100 389937.9 287
VIERNES 3.658118 0.000000 152.6100 -90.92 19.35251 1.662077 18.57348 3032.435 0.000000 1049.880 107112.6 287
Al observar las dos series se puede evidenciar que los efectos diarios son muy diferentes en ambas muestras, por lo que los resultados podran evidenciar la no existencia de un efecto da de la semana para el mercado de dinero. Una caracterstica principal a la hora de evaluar series de tiempo es la estacionalidad, para esto se aplic el Test de raz unitaria aumentado de Dickey-Fuller a las rentabilidades de cada una de las series. Al analizar cada una de las series con retardo mximo de 28 das, se considera como hiptesis nula la presencia de raz unitaria es decir que la serie se comporta como caminata aleatoria en donde la varianza ser constante y el
38
movimiento de las acciones deberan ser aleatorios y no tener una tendencia en un da en especial. Con los resultados encontrados podemos concluir que las dos series que tenemos son estacionarias, ya que lo se busca realmente son efectos anmalos en una serie estacionaria con los efectos viernes o lunes.
Test Dickey Fuller T-statics P-value 1% 5% 10 % 1995-1999 -29.36022 0 -3.435432 -2.863672 -2.567955 2000-2005 -17.51693 0 -3.434733 -2.863363 -2.567789 2006-2012 -17.18164 0 -3.43463 -2.863318 -2.567765
7.2.
Despus de aplicar lo explicado en la metodologa hemos corrido un MCO sin constante para nuestras dos series siendo los resultados ms relevantes para la serie 2000 2005 los das mircoles (1,182710**) y viernes (1,123887**). Para la serie del 2006 2011 el resultado ms relevante se da el da viernes (3,855534***). Luego se corri un MCO con constante eliminando el da martes para calcular la diferencia entre los diferentes betas de los das de la semana con la variable omitida, siendo el resultado ms relevante el coeciente del da viernes (1,676918**) para la serie 2000 2005, y jueves (5,767913***) y viernes (7,223528***) para la serie 2006 2012.
MCO sin constante Lunes Martes Mircoles Jueves Viernes Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static 1995-1999 0.278593 0.850341 -0.379902 -1.157025 -0.260803 -0.797316 0.276588 0.845841 -0.037148 -0.113579 2000-2005 -0.337381 -0.596954 -0.553032 -0.992539 -1.182710** -2.089345 0.630832 1.113897 1.123887** 2.023079 2006-2012 -2.033838 -1.241567 -3.367994** -2.100888 -0.972147 -0.608248 2.399919 1.462477 3.855534*** 2.356814
39
1995-1999 -0.379902 -1.157025 0.658494 1.419543 0.119099 0.256894 0.65649 1.416455 0.342753 0.739769 -0.187005 -6.681269 6.120264 6.1451
2000-2005 -0.553032 -0.992539 0.21565 0.27167 -0.629679 -0.79287 1.183864 1.490482 1.676918 ** 2.130836 -0.244923 -9.566783 7.348934 7.370952
2006-2012 -3.367994** -2.100888 1.334156 0.581524 2.395847 1.058944 5.767913*** 2.515169 7.223528*** 3.152348 -0.037307 -1.485354 9.568321 9.588633
Nuestro siguiente modelo testeado es el GARCH donde obtenemos que los das signicativos para la serie 1995 1999 son los das mircoles (0,628299***) y jueves (0,861280***), para la serie 2000 2005 es el da viernes (0,870786**), y para la serie 2006 2012 es el da jueves (0,350665***)
GARCH C Lunes Mircoles Jueves Viernes RT-1 Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Akaike info criterion Schwarz criterion 1995-1999 -0.426045* -1.861334 0.336785 1.04397 0.628299*** 2.736506 0.861280*** 2.753492 0.490624 1.485171 -0.063658* -1.76387 5.689618 5.726873 2000-2005 -0.057244 -0.197974 0.385093 0.895021 -0.321023 -0.78995 0.646963 1.460866 0.870786** 2.06755 -0.302685 -11.43678 6.792973 6.826
40
GARCH C Lunes Martes Jueves Viernes RT-1 Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Akaike info criterion Schwarz criterion
2006-2012 0.165805 1.40748 -0.148089 -0.833138 -0.077002 -0.487032 -0.350665*** -2.683762 -0.188569 -1.539588 -0.201666 -9.818345 7.785512 7.815979
El siguiente modelo testeado es el TARCH donde obtenemos que los das signicativos para la serie 1995 1999 son los das mircoles (0,627886***) y jueves (0,861604***), para la serie 2000 2005 es el das viernes (0,908663**) y para la serie 2006 2012 es el da jueves (0,259056**)
TARCH C Lunes Miercoles Jueves Viernes RT-1 Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Akaike info criterion Schwarz criterion 1995-1999 -0.425276 -1.634159 0.339669 1.030998 0.627886*** 2.612574 0.861604*** 2.704749 0.492261 1.462274 -0.063641 -1.737092 5.691232 5.732626 2000-2005 -0.130763 -0.445279 0.438773 1.027577 -0.311653 -0.748681 0.680447 1.532532 0.908663** 2.148745 -0.306597 -11.17137 6.829305 6.806309
41
TARCH C Lunes Martes Jueves Viernes RT-1 Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Akaike info criterion Schwarz criterion
2006-2012 0.224045** 2.402499 -0.230941 -1.424715 -0.187457 -1.25148 -0.396243*** -2.893224 -0.259056** -2.435959 -0.159497 0.00000 7.764854 7.798707
Por ltimo hemos utilizado el modelo EGARCH, donde obtenemos que los das ms signicativos para la serie 1995 1999 son los das mircoles (0,531997***), jueves (0,832633***) y viernes (0,439516***) mientras que para la serie 2000 2005 son los das lunes (1,105702**), jueves (1,135334**) y viernes (1,403992***), y para la serie 2006 2012 das lunes (0,264373**), jueves (0,312877**) y viernes (0,395972*)
EGARCH C Lunes Mircoles Jueves Viernes RT-1 Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Akaike info criterion Schwarz criterion 1995-1999 -0.29773 -1.431908 0.024974 0.080065 0.531997*** 2.769901 0.832633*** 3.001927 0.439516*** 1.771467 -0.05414 0.0335 5.713318 5.690075 2000-2005 0.0885* -1.703598 1.105702** 2.561873 -0.305169 -0.674795 1.135334** 2.550011 1.403992*** 3.061348 -0.318062 0 6.848419 6.881446
42
EARCH C Lunes Martes Jueves Viernes RT-1 Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Coeciente T-static Akaike info criterion Schwarz criterion
2006-2012 0.312215** 2.243997 -0.264373** -2.035774 -0.072745 -0.393289 -0.312877** -2.275729 -0.395972* -1.68314 -0.157541 0.0281 7.803965 7.834432
El modelo que mejor se ajusta a la serie 1995 1999 y 2000 2005 es el GARCH mientras que para la serie 2006 2012 es el modelo TGARCH, esto debido a que es una serie que cuenta con mayor ruido a las otras e insertando una dicotmica para los rendimientos positivos y negativos se ajustar mejor el que en los otros modelos.
1995-1999 ARIMA GARCH TARCH EGARCH Akaike criterio 6.120264 5.689618 5.691232 5.713318 Schwarz criterio 6.1451 5.726873 5.732626 5.690075
Akaike criterio 7.348934 6.792973 6.829305 6.848419
Akaike criterio 9.568321 7.785512 7.764854 7.803965
En consistencia hemos encontrado que existe una ineciencia de mercado en el mercado de dinero, teniendo resultados mixtos con respecto a los das, sin embargo notamos que se sigue manteniendo un efecto viernes positivo y signicativo en las tres series que hemos utilizado y en cada uno de los modelos.
43
Al igual que el mercado de renta variable hemos concluido que la existencia de un efecto viernes se deber a los das extras de crdito que reciben los bancos para cumplir con las obligaciones a la tasa que se prestan (tasa interbancaria), por lo tanto se podra correr un modelo con los das pre feriados y los no feriados, para observar si existe un efecto anormal positivo que permite evidenciar la hiptesis de que los dos das de crdito son una causa del efecto viernes, cabe resaltar que al igual que el mercado de renta variable, en el mercado de dinero el da de liquidacin es T + 3. Para esto se ha corrido un modelo con los das pre feriados y los no feriados, para observar si existe un efecto anormal positivo que permite evidenciar la hiptesis de que los dos das de crdito son una causa del efecto viernes. Los resultados en la tabla muestran una evidencia positiva y signicativa en todos los modelos de volatilidad condicional, por lo que podramos armar la hiptesis de los das de crditos extras en el mercado de dinero para la tasa interbancaria en dlares.
1995-1999 MCO Variable Da Preferiado Da No Feriado Akaike Info Criterion Schwarz Criterion MCO 2000-2011 Coecient P-Value 0.796938 0.3919 -0.0333 0.8419 6.125 6.140 GARCH 2000-2011 Coecient P-Value 1.059811 0.1492 0.041176 0.8079 5.710 5.750
1995-1999 MCO Variable Da Preferiado Da No Feriado Akaike Info Criterion Schwarz Criterion
TARCH 2000-2011 Coecient P-Value 1.09213 0.1331 0.074839 0.603 5.720 5.750
EGARCH 2000-2011 Coecient P-Value 1.91206** 0.0599 0.139595 0.3109 5.695 5.730
MCO 2000-2011 Coecient P-Value 1.90775 0.2584 -0.42855 0.172 7.497 7.510
GARCH 2000-2011 Coecient P-Value 2.8818*** 0.0007 -0.04354 0.8309 6.968 6.995
44
TARCH 2000-2011 Coecient P-Value 2.839696*** 0.0001 0.139781 0.3637 6.955 6.986
EGARCH 2000-2011 Coecient P-Value 1.933306 0.1774 -0.52355 0.4667 7.131 7.158
MCO 2000-2011 Coecient P-Value 13.803*** 0.0028 -1.48832 0.0879 9.677 9.689
GARCH 2000-2011 Coecient P-Value 1.00027* 0.0911 -0.01576 0.7316 7.913 7.938
TARCH 2000-2011 Coecient P-Value 0.976392* 0.0794 -0.02965 0.4079 7.912 7.940
EGARCH 2000-2011 Coecient P-Value 1.701709*** 0.0005 -0.00041 0.9951 8.011 8.040
8.
Encuesta a Casas de Bolsa, Bancos y AFPs
Una explicacin de la existencia del efecto da de la semana es que el estado de nimo de los individuos vara segn el da en que se encuentren, es decir los das viernes los individuos son ms felices a causa de que ya no cuentan con cargas laborales, por lo que en su comportamiento existir una tendencia a comprar acciones, bajo esta premisa suceder lo contrario con los das lunes ya que generalmente es un da pesado en el cual los individuos se sienten cansados o de mal humor generando una tendencia a la venta acciones. Para probar esta hiptesis as como la demostrada en la presente investigacin, se realiz una encuesta con la nalidad de determinar desde el punto de vista de los principales traders e inversionistas de las principales casas de bolsas, bancos y AFPs, pregintandoles si es que exista un efecto anmalo en los mercados analizados as como sus posibles causas. Los resultados de la encuesta fueron los siguientes: Se evalu dos casas de bolsas de gran importancia en trminos de montos negociados en el pas, as como dos de las principales AFPs y Bancos. Los traders de estas entidades contestaron que tanto para el mercado de renta variable como para el mercado de dinero, si han percibidos efectos anmalos; sin embargo, para el mercado de renta ja con excepcin de una AFP, contestaron que no han percibido efecto anmalos.
45
Existencia de efectos anmalos Entidad Casa de Bolsa 1 Casa de Bolsa 2 AFP1 AFP2 Banco 1 Banco 2 Renta variable si si si si Renta Fija si no no no no no Mercado de dinero si si si si -
Por otro lado las respuesta de las entidades acerca de las causas de estos efectos anmalos fue primordialmente para el mercado de renta variable, los das extras de crdito y el estado de nimos de los inversionistas; mientras que para el mercado de dinero fueron los das extras de crdito y la demanda de los bancos por dinero para cubrir sus necesidades de sus clientes los nes de semana.
Causas de efectos anmalos Entidad Estado de nimo de inversionistas Reuniones BCRP Mercado poco liquido Das extras de crdito Altos costos por invertir en mercado de capitales Demanda de bancos por dinero para cubrir necesidades de los nes de semana
Casa de Bolsa 1 Casa de Bolsa 2 AFP1 AFP2 Banco 1 Banco 2
x(RV)
x(RF)
x (MM) x (MM) (RV)
x(RV) x(RV)
x(RV) x(RV)
x (MM) x (MM)
* MM: mercado de dinero, RV: renta variable, RF: renta ja
9.
Conclusiones
Hemos podido concluir que tanto en el mercado de renta variable como en el mercado de dinero, existe un efecto da de la semana especcamente los das viernes, ya que en promedio sus rentabilidades son signicativamente altas en comparacin a los otros das de la semana, este resultado se ha cumplido para nuestra muestra del 2000 2005 y del 2006 2011 en el mercado de renta variable, y para la muestra 2000 2005 y 2006 2012 para el mercado de dinero. Lo ms importante es que con todos los modelos que hemos utilizado (MCO, GARCH, EGARCH, TARCH) el efecto da de la semana persiste. Adems no solo quisimos demostrar que existe
46
un efecto da de la semana sino la causas de este, para eso nos basamos en la teora que nos indica que los das viernes tienen altas rentabilidades por los das extras de crdito que son otorgados por los nes de semana, para comprobar esta teora se utilizaron los diferentes modelos que MCO, GARCH, EGARCH, TARCH utilizando como variables los das feriados que deberan tener el mismos efectos que los nes de semana. Con esto se ha obtenido resultados signicativos para ambas series de la muestra tanto en el mercado de renta variable como en el mercado de dinero, lo cual nos indicara como una posible explicacin para la existencia del efecto da de la semana. Adems se comprob que para el mercado de renta ja no existe un efecto da de la semana y por tanto se podra considerar que es un mercado eciente, esto debido a la poca liquidez que se tiene.
10.
Recomendaciones para Estudios Posteriores
Durante la presente investigacin se encontr otra posible causa al efecto viernes en el mercado de dinero. Por lo general las empresas bancarias insertan una cierta cantidad de dineros en los cajeros (ATMs) deseando atender las necesidades de sus clientes, analizando la psicologa de las personas, estas tendern a retirar la mayor cantidad de dinero o en mayor proporcin al resto de das de la semana: los das viernes y/o sbados; con la nalidad de utilizarlo el n de semana, el cual ser destinado principalmente al ocio. Los bancos conocedores de los ujos de egresos de los ATMs, procedern al introducir una mayor cantidad de dinero en los ATMs para cubrir la demanda de ese da, con esto los banco pequeos y medianos se prestaran de los bancos grandes, induciendo un exceso de demanda por la tasa interbancaria los das viernes. Para esto nosotros nos pusimos en contacto con banco mediano en el Per, el cual nos facilito el ujo de dinero diario de sus ATMS puestos en valor bajo un ndice (con el n de no saber su monto real) para un serie que abarca de septiembre de 2009 a noviembre de 2011, como lo que nos importa para una investigacin son las tendencias de esos valores, consideramos razonable los valores en ndices facilitados por el banco. Nuestro anlisis muestra que se cumple que los motos retiro de las ATMs son mayores los das viernes que en los otros das, por lo que consideramos que podra ser una causa de los efectos anmalos en el mercado de dinero, y por tanto tema de estudio en investigaciones posteriores.
47
Da de la semana Lunes Martes Mircoles Jueves Viernes Total
Retiro de los ATM s en base a un ndice 99.1 108.9 75.5 114.2 193.4 591.0
Monto retirado de la ATM s diario
48
Referencias
Agrawal, A., and K. Tandon. 1994. Anomalies or Illusions? Evidence from Stock Markets in Eighteen Countries. Journal of International Money and Finance 13: 83-106. Aggarwal, R., and P. Rivoli. 1989. Seasonal and Day-of-the Week Eects in Four Emerging Stock Markets. Financial Review 24: 541-550. Akgiray, V. 1989 Conditional Heteroscedasticity in Time Series of Stock Returns: Evidence and Forecast. Journal of Business 62: 55-80. BABA, Y, ENGLE, R., KRAFT, D y KRONER, K. 1987. Multivariate Simultaneous Generalized ARCH. Manuscrito, Universidad de California, San Diego, CA. Baillie, R. T., and R. P. DeGennaro. 1990 Stock Returns and Volatility. Journal of Financialand Quantitative Analysis 25: 203-214. Badrinath, S.G., Gay, G.D., Kale, J.R. 1989. Patterns of Institutional Investment,Prudence, and the Managerial Safety-Net Hypothesis. Journal of Risk and Insurance. V.56, 605-629. Badrinath, S.G., Kale, J.R., Noe, T.H. 1995 Of sheperds, sheep and the crossautocorrelationsin equity returns. The Review of Financial Studies. V.2, 401-430. Bailey, W., Chung, Y.P. 1995 Exchange Rate Fluctuations, Political Risk, and Stock Returns: Some Evidence from an Emerging Market. Journal of Financial and Quantitative Analysis. 1995, V.30, 541 561. Bailey, W., Jagtiani, J. (1994). Foreign ownership restrictions and stock prices in the Thai capital market. Journal of Financial Economics, V. 36, 57 87. Bachelier, L. (1900). Louis Bacheliers Theory of Speculation, The Origins of Modern Finance. . Balaban, E. 1995. Day of the Week Eects: New Evidence from an Emerging Market. Applied Economics Letters 2: 139-143. Barone, E. 1990 The Italian Stock Market: Eciency and Calendar Anomalies. Journal ofBanking and Finance 14: 483-510. BERA, A.K.; HIGGINS, M.L. y LEE, S. 1992. Interaction between Autocorrelation and conditional Heterokedasticity: a Random Coecient Approach. Approach Journal of Business and Economic Statistics, 10,Pgs.:133-142. BERNDT, E. HALL B., HALL R. y HAUSMAN, JA. 1974 Estimation Inference in nonlinear Structural Models. Annals of the Economic and Social Measurement, 4. Pgs: 653-665. BOX PIERCE. 1970. Distribution of Residual Autocorrelationsin Autorregresive and Moving AveragesTime Series Models. Journal of the American Statistical Association, 65 1509-26.
49
BREUSCH,T.S.1978. Testing for Autocorrelation in Dynamic Linear Models. Australian EconomicsPapers, 17, pgs. 334-355. BRUNETI, C. y GILBERT,C. 1999. Bivariate FIGARCH and Fractional Cointegration. FEWEC. Vrije Universiteit Amsterdam, GAMW London and CEPR, Documento de trabajo. Caceres, R., Maroto, O., Jordan, L., Rodriguez. A. 2006. Day of the Week Eect on European Stock Markets. Journal of Finance and Economics. Campbell, J. Y., and L. Hentschel. 1992. No News is Good News: An Asymmetric Model of Changing Volatility in Stock Returns. Journal of Financial Economics 31: 281-318. Chan, K. C., G. A. Karolyi, and R. M. Stulz. 1991. Global Financial Markets and the Risk Premium on U.S. Equity. Journal of Financial Economics 32: 137-167. CHEN, N. ROSS, R. Y ROSS, S. 1986. Economic Forces and the Stock Market. Journal of Business, 59.Pgs: 383-403. CHINRONG,A y McFADDEN, D. 1997. Estimation of some partially specied nonlinear models. Journal of Econometrics, 76. Pgs: 1-37. Corhay, A., and A. T. Rad. 1994. Statistical Properties of Daily Returns: Evidence from European Stock Markets. Journal of Business Finance and Accounting 21: 271-282. Cornell, B. 1985. The Weekly Patterns in Stock Returns Cash versus Futures: A Note. Journal of Finance 40: 583-88. Cosimano, T. F., and D. W. Jansen. 1988. Estimates of the Variance of U.S. Ination Based upon ARCH Model. Journal of Money Credit and Banking 20: 409-421. Cross, F. 1973. The Behavior of Stock Prices on Fridays and Mondays. Financial Analysts Journal 29: 67-69. Cox, J., Ross, S. 1976. The Valuation of Options for Alternative Stochastic Processes. Journal of Financial Economics, V. 3, 145-166. DAY, T. y LEWIS,C 1992. Stock Market Volatility and the Information Content of Stock Index Options. Journal of Econometrics, 52. Pgs: 267-287. DEMOS, A y SENTANA, E 1998. Testing for GARCH eects: A one-sided Approach. Journal of Econometrics, 86. Pgs: 97-127. DICKEY, D y FULLER 1979. Distribution and Estimators for Autoregressive Time Series with an Unit Root. Journal of the American Statistical Association, 77. Pgs: 427-431. DING, Z. y GRANGER, CWJ 1996. Modeling Volatility Persistence of Speculative Returns: A New Aproach. Journal of Econometrics, 73. Pgs: 185-215.
50
DING, Z. GRANGER, W.J. y ENGLE,R 1993. A long Memory Property of Stock Market Returns and a New Model. Journal of Empirical Finance, 1. Pgs: 83-106. DE ARCE, R. 1998. Introduccin a los Modelos ARCH. Documento de Trabajo del Instituto de Prediccin Econmica. LR Klein 98/6. DE ARCE, R. 2000. Tesis Doctoral. Modelizacin ARCH: Estimacin de la volatilidad del IBEX-35. Universidad Autnoma de Madrid octubre de 2000. DOLADO, JENKINSON Y SOSVILLA-RIVERO 1990. Cointegration and Unit Roots: a survey Banco de Espaa, Servicio de Estudios. Doc. Trabajo n 90005. DROST, F y C. KLAASSEN 1997. Ecient Estimation in Semiparametric GARCH Models. Journal of Econometrics, 81. Pgs: 193-221. Dongcheol, K. and Stanley, K. Alternative Models for the Conditional Heteroscedasticity of Stock Returns. Journal of Business. Dyl, E., and E. Maberly. 1986. The Daily Distribution of Changes in the Price of Stock Futures. Journal of Futures Markets 6: 513-521. Ederington, L. H., and J. H. Lee. 1993. How Markets Process Information: News Releases andVolatility. Journal of Finance 48: 1161-1191. Enders, W. 1995. Applied Econometric Time Series. New York: John Wiley Sons, Inc. Engle, R. 1982. Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Ination Econometrica. 50: 987-1007. ENGLE, R. NG, V. Y ROTHSCHILD, M. 1990. Asset Pricing with a FACTORARCH Covariance Structure: Empirical Estimates for Treasury Bills. . Journal of Econometrics, 45. Pgs: 213-237. ENGEL, C. Y HAMILTON, J 1990. Long Swings in the dollar: Are they in the Data and Do Markets know it?. The American Economic Review, September 1990. ENGLE, R. 1987. Multivariate ARCH with factor Structures: Cointegration in Variance. Universidad de California, San Diego, CA. ENGLE, R.F., LILIEN D.M y ROBINS, 1986. Estimating the Time Varying Risk Premia in the Term Structure. Econometrica, 55, Pgs.:391-407. Fama, E. 1965. The Behavior of Stock Market Prices. Journal of Business 38 (1): 34105. January 1965. Fama, E.(with James L. Davis and Kenneth R. French) 1997. Characteristics, Covariances, and Average Returns: 1929-1997. Journal of Finance, Vol. 55, No. 1, February 2000. French, K. R. 1980. Stock Returns and The Weekend Eect. Journal of Financial Economics 8:55-69.
51
Fortune, P. 1998. Weekends Can Be Rough: Revisiting the Weekend Eect in Stock Prices. Working Papers from Federal Reserve Bank of Boston. GALLANT, R. y HSIEH, D. TAUCHEN, G. 1997. Estimation of Stochastic Volatility Models with Diagnostics. Journal of Econometrics, 81. Pgs: 159-192. Gibbons, M., and P. Hess, 1981. Day of the Week Eects and Asset Returns. Journal of Business, 579-596. GEWEKE, J. Y PANTULA, S. 1986. Modelling the Persistence of Conditional Variances: a comment. Econometric Review, 5. Pgs: 57-61 y 71-74. GHYSELS, E, Y JOANNA JASIAK 1997. GARCH for Irregularly Spaced Financial Data: The ACD-GARCH Model. Cirano, Serie Scientique, 97s-06. Glosten, L. R., R. Jagannathan, and D. E. Runkle. 1993. On the Relation between the ExpectedValue and the Volatility of the Nominal Excess Returns on Stocks. Journal of Finance 48:1779-1801. GODFREY,LG. 1978. Testing Against General Autoregressive and Moving Average Models when the Regressors include Lagged Dependent Variables. Econometrica, 46, pgs. 1293-1302.. GONZALEZ-RIVERA, G. 1998. Smooth transition GARCH models. Studies in Nonlinear Dynamics and Econometrics, 3, Pgs: 61-78. GOURIEROUX, C. y MONTFOR, A. 1992. Qualitative Threshold ARCH Models. Journal of Econometrics, 52. Pgs: 159-199. GRANGER, C. y CHOR YIU SIN 1999. University of California San Diego UCSD 9912. Modelling the Absolute Returns of Dierent Stock Indices: Exploring the Forecastability of an Alternative Measure of Risk. Documento de trabajo, diciembre de 1999. GRANGER, CWJ 1980. Long Memory relationships and the Agregation of Dynamic Models. Journal of Econometrics, 14. Pgs: 227-238. Hamao, Y., R. Masulis, and V. Ng. 1990. Correlations in Price Changes and Volatility across International Stock Markets . Review of Financial Studies 3: 281-308. HAMILTON, J 1994. Contrastes de Especicacin en modelos de series temporales markov-cambiantes. Cuadernos Econmicos del ICE, 56. Pgs: 42-70. HAMILTON, J. Y SUSMEL, R. 1994. Autorregresive Codnitional Heroskedasticity and Changes in Regime. Journal of Econometrics, 64. Pgs 307-333. Harris, L. 1986. Transaction Data Study of Weekly and Internal Patterns in Stock Returns. Journal of Financial Economics 16: 99-117. Harris, L. 1986. Journal of Portfolio Management 12: 61-64 How to Prot from Interdaily Stock Returns. . Harvey, C., and R. Huang. 1991. Volatility in Foreign Exchange Futures Markets. Review of Financial Studies 4: 543-570.
52
HAUSMAN, JA 1978. Specication Test on Econometrics. Econometrica, 46. Pgs: 1251-1272. Homan, D. 1987. Two-Step Generalized Least Squares Estimators in Multiequation Generated Regressor Models. Review of Economics and Statistics 69: 336-46. Hsieh, D. A. 1988. The Statistical Properties of Daily Foreign Exchange Rates: 1974-1983. Journal of International Economics 24: 129-145. HOYO, J 1993. Gua para la estimacin de modelos ARCH. Revista Estadstica Aplicada, 32.Comentarios. Pgs: 49-57. Jae, J., and R. Westereld. 1985. The Weekend Eect in Common Stock Returns: The International Evidence. Journal of Finance 40: 433-454. Keim, D. B., and F. Stambaugh. 1984. A Further Investigation of Weekend Eects in StockReturns. Journal of Finance 39: 819-840. KIM, C. 1994. Dynamic Linear Models with Markov Switiching. Journal of Econometrics, 60. Pgs: 1-22. KRAFT, D. Y ENGLE,R. 1982. Autoregresive Conditional Heteroskedasticity in Multiple Time Series Models. USCD, Discussion Paper Nm. 82-23. Lakonishok, J., and M. Levi. 1982. Weekend Eects on Stock Returns: A Note. Journal of Finance 37: 883-889. LAMOUREUX Y LASTRAPES 1990. Persistence in Variance, Structural Change and the GARCH Model. Journal of Business and Economic Statistics, 8. Pgs: 225-234. LINTNER, J 1965. The Valuation of Risky Assets and the Selection of Risky Investments in Stock Portfolios and Capital Budgets. Review of Economics and Statistics, 47. Pgs: 13-37. L-JUNG-BOX 1978. On a Measure of Lack of Fit in Time Series Models. Biometrika, 66 67-72. MACKINLAY, M. 1987. On the Multivariate Test of CAPM. Journal of Financial Economics, 18. Pgs:341-372. Malkiel, B. 1973. A Random Walk Down Wall Street: The Time-tested Strategy for Successful Investing. New York: W.W. Norton. Mandelbrot, B. 2005. The Misbehavior of Markets, A Fractal View of Risk, Ruin and Reward. . MARKOWITZ, H. 1959. Portfolio Selection: Ecient Diversication of Investments. John Wiley, NewYork. Mc CURDY,T. y STENGOS,T 1992. A Comparison of Risk-premium Forecasts Implied by Parametric versus Nonparametric Conditional Mean Estimators. Journal of Econometrics, 52. Pgs: 225-244.
53
MENELAOS, K. 2000. The Covariance Structure of the S-GARCH and M-GARCH Models. University of York. Documento de Trabajo Y010 5DD UK. MILHOJ, A. 1984. The Moment Structure of ARCH Processes, Research report 94. Institute of Statistics of Copenhagen, Copenhagen. Nelson, D. B. 1991. Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica 59: 347-370. NEUMANN, J. VON 1941. Distribution of the Ratio of the Mean Square Sucessive Dierence to the variance. Ann. Math Stat. Vol. 12 pgs: 367-39. NEWEY, W 1985. Maximum likelihood Specication Test and Conditional Moments Tests. Econometrica, 53. Pgs: 1047-1069. Pagan, A. 1984. Econometrics Issues in the Analysis of Regressions with Generated Regressors. International Economic Review 25: 221-47. PANTULA, SG 1986. Modelling the Persistence of Conditional Variance: A comment. Econometrica Reviews, 5. Pgs: 71-73. PANTULA, SG 1984. Autoregresive Conditionally Heterocedasgtic Models. Manuscrito no publicado.Universidad de Carolina del Norte, Dpto. de Estadstica. Pena, J. I. 1995. Daily Seasonalities and Stock Market Reforms in Spain. Applied Financial Economics 5: 419-423. PREZ, J y C. MURILLO 1997. Contrastes de Especicacin para los modelos de varianza heterocedstica condicionada. Estudios de Economa Aplicada, 7. Pgs: 101-129. PERRON, P. 1989. The Great Crash, the Oil Price Shock and the Unit Root Hypothesis. Econometrica, 57. Pgs: 1361-1401. POSKITT, D.S y TREMAYNE,A.R. 1987. Determining a Portfolio of Linear Time Series Models. Biometrica, 74, pgs. 125-137. POTERBA, JM y SUMMERS, LH 1986. The Persistence of Volatility and Stock Market Fluctuations. . American Economic Review, 76. . Pgs: 1142-1151. Reinhard, P., Lunde, A., Nanson, J. 2005. Testing the signicance of calendar eects. Journal of Financial Economics. Regnault, J. 1863. Calcul des chances et philosophie de la bourse. Paris: MalletBachelier and Castel. RICH, R. J.RAYMON y J. BUTLER 1989. Generalized Instrumental Variables Estimation of Autoregressive Conditional Heteroskedastic Models. Economics Letters, 35. Pgs: 179-185. ROSS, S. 1976. The Arbitrage Theory of Capital Asset Pricing. Journal of Economic Theory, 13. Pgs: 341-360.
54
RUZ, E. 1993. Modelos para series temporales heterocedsticas. Cuadernos Econmicos ICE, 56, Pgs:73-108. SCHWARZ, G. 1978. Estimating the dimension of a Model. Annals of Statistics, 6 464-464. SCHWERT, GW. 1989. Why does Stock Market Volatility Change over Time?. Journal of Finance, 44.Pgs: 1115-1153. SENTANA, E. 1995. Quadratic ARCH models. Review of Economic Studies, 62, Pgs: 639661. SHARPE, W. 1964. Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. Journal of Finance, 19. Pgs: 425-442. SHIANG, CHIA 1995. Detecting Parameter Shift in GARCH Models. Econometric Reviews, 14. Pgs: 241-266. Solnik, B., and L. Bousquet. 1990. Day-of-the-Week Eect on the Paris Bourse Journal ofBanking and Finance 14: 461-468 . . Smirlock, M. and Starks, L. 1986. Day-of-the-week and intraday eects in stock returns. Journal of Financial Economics. Subadar, U 2008. Day of the Week Eects: Evidence from the Stock Exchange of Mauritius (SEM). Eurojournals. Sutheebanjard, P. and Premchaiswadi, W. 2010. Analysis of Calendar Eects: Day-of-the-Week Eect on the Stock Exchange of Thailand (SET) International. Journal of Trade, Economics and Finance, Vol. 1, No. 1, June, 2010. Theodossiou, P., and U. Lee. 1995. Relationship Between Volatility and Expected Returns Across International Stock Markets. Journal of Business Finance and Accounting 22: 289 300. TSAY, S.J. 1987. Journal of the American Statistical Association, 82. Pgs: 590604 Conditional Heterokesdastic Time Series Models. Journal of the American Statistical Association, 82. Pgs: 590-604. WEIS, A 1982. Asymptotic Theory for ARCH Models: Stability, Estimation and Testing. Discussion Paper 82-36 (Universidad de California, San Diego, CA). WEST, K. EDISON, H. y CHO, D. 1993. A Utility Based Comparison of Some Models of Foreign Exchange Volatility. Journal of International Economics, 35. Pgs: 23-46. WHITE, H 1987. En T. Specication Testing in Dynamic Models. Bewley Advances in Econometric. Vth Congress, Vol 1. Nueva York. Cambridge University Press. WHITE, H y DOMOWITZ 1984. Nonlinear Regression with Dependent Observations. Econometrica, 52. Pgs: 143-161. ZAKONIAN, J.M. 1994. Threshold Heteroskedastic Models. Journal of Economic, Dynamics and Control, 18. Pgs: 931-955.
55

Evidencia de Efectos Estacionales - FrederyCarrasco - DiegoVillafana

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Evidencia de Efectos Estacionales - FrederyCarrasco - DiegoVillafana

Cargado por

Copyright:

Formatos disponibles

Existencia y causas de los efectos estacionales en los mercados de renta variable, renta ja y de dinero en el Per: Un enfoque de modelos asimtricos

Historia de los Modelos ARCH

rit = 1 d1t + 2 d2t + 3 d3t + 4 d4t + 5 d5t +

rit = c + 1 d1t + 2 d2t + 3 d3t + 4 d4t + 5 d5t +

rit = c + 1 DP F1t + 2 DP F2t +

rit = c + 2 d2t + 3 d3t + 4 d4t + 5 d5t +

rit = c + 2 d2t + 3 d3t + 4 d4t + 5 d5t +

rit = c + 2 d2t + 3 d3t + 4 d4t + 5 d5t +

4 2 ln(t ) = + 2 d2 + 3 d3 + 4 d4 + 5 d5 + s=1 2 s ln(t s )+

Mercado de Renta Variable

Rendimientos - Serie 2000-2005

Rendimientos - Serie 2006-2011

Resultados del Modelo

2006-2011 ARIMA GARCH TARCH EGARCH

Akaike criterio 4.1161 3.6665 3.6536 3.649

Schwarz criterio 4.1395 3.7174 3.7084 3.7038

MCO Variable BCR D5 Akaike Info Criterion Schwarz Criterion

2000-2005 Coecient P-Value 0.193058* 0.0702 0.166291*** 0.0013 2.595 2.616

2006-2011 Coecient P-Value -0.121197 0.5939 0.239715** 0.0300 3.990 4.013

Akaike info criterion Schwarz criterion

Akaike info criterion Schwarz criterion

Akaike info criterion Schwarz criterion

Akaike info criterion Schwarz criterion

Efecto de Rendimientos Estacionales Mensuales

rit = 1 M1t + 2 M2t + 3 M3t + ... + 12 M12t +

rit = c + 2 M2t + 3 M3t + ... + 12 M12t +

C D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 RT1 Akaike Info Criterion Schwarz Criterion

C D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 RT1 Akaike Info Criterion Schwarz Criterion

Mercado de Renta Fija

Serie del ndice del Bono en Soles

Serie del ndice del Bono en Dlares

Serie de Rendimientos del ndice del Bono en Soles

Serie de Rendimientos del ndice del Bono en Dlares

Resultados del Modelo

C D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 RT1 Akaike Info Criterion Schwarz Criterion

C D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 RT1 Akaike Info Criterion Schwarz Criterion

Dlares ARIMA GARCH TARCH EGARCH

Akaike criterio 1.612843 1.553722 1.559231 1.581195

Schwarz criterio 1.682698 1.658504 1.675657 1.685978

Serie de Rendimientos de la Tasa Interbancaria 1995-1999

Serie de Rendimientos de la Tasa interbancaria 2000-2005

Serie de Rendimientos de la Tasa interbancaria 2006-2012

Resultados del Modelo

2000-2005 ARIMA GARCH TARCH EGARCH

Akaike criterio 7.348934 6.792973 6.829305 6.848419

Schwarz criterio 7.370952 6.826 6.806309 6.881446

2006-2012 ARIMA GARCH TARCH EGARCH

Akaike criterio 9.568321 7.785512 7.764854 7.803965

Schwarz criterio 9.588633 7.815979 7.798707 7.834432

Encuesta a Casas de Bolsa, Bancos y AFPs

Casa de Bolsa 1 Casa de Bolsa 2 AFP1 AFP2 Banco 1 Banco 2

x (MM) x (MM) (RV)

* MM: mercado de dinero, RV: renta variable, RF: renta ja

Recomendaciones para Estudios Posteriores

Da de la semana Lunes Martes Mircoles Jueves Viernes Total

Monto retirado de la ATM s diario

También podría gustarte