Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Economia Dinamica Caotica
Economia Dinamica Caotica
-T
-4 tj. y{
Dirigida por el
Madrid 1996
AGRADECIMIENTOS
CAPTULO 1
INTRODUCCION 1
CAPTULO 2
EL CAOS
2.1. Definicin 5
2.2. El camino hacia el Caos 10
2.3. Geometra no euclidiana y fractales 17
CAPTULO 3
CAPTULO 4
1
CAPTULO 5
CAPTULO 6
UN MODELO SENCILLO
CAPTULO 7
APNDICE 188
CONCLUSIONES 192
BIBLIOGRAFIA 196
11
CAPTULO 1
INTRODUCCION
EL CAOS
2.1. DEFINICION
LS
1.5 4
1 k i
o:
II 0.5
ir ir
1~
0 LI
44
o ~1 1% -0.5
1;
O
1
10 20 30 40 50
o de iteraciones
60 70 80
1
-1.5
0 10 20 30 40 50
n de iteraciones
60 70
A80
(a) (b)
* 1 te t
1
~1
~
&
05 y I
ti
-1.5 II -.
~2.5L ~
0 10 20 30 40 50 60 70 80
~Q de iteraciones
Figura 2.2: Diferencia entre la evolucin de las figuras 1.1 (a) y (b).
1
- ! !
1 U U ~ a A
a, a U 1
III 1
a a a U
f ~ a a u a
u t u a U II amia a . a a a
. a a a ~ U
a a , u ~
a u ja u
a a
* U
1 6 ~~Iii i ji i
la
1 u i a U
a a u a
II 1 a
1
3-3x, despus de uno cientos de iteraciones
Figura
casi se ha 2.4: el
cubierto Iteracin grfica
intervalo [-1,1].de f(x)=4x
2ii x = 2i.t
obtenemos x=O, x ____
0.07 - y 1 t -+j--T-T-.-T
1VrT-V~~
0.05 -.
0-03
0-01
-0.01 >
-0.03
~005
007 1
25 30 35
0 5 100 de 15iteraciones
20
n
~ df(x) (2.1)
dx
EL CAOS 12
(a) (b)
(c)
Figura 2.6: Estabilidad del punto fijo x=O para el sistema f(x)=(~-1)xjx3cuando
pcz2, g=2, p=~2,el punto es estable en el grfico (a), pasa a ser neutral Q~=1) en el grfico (b),
y se convierte en inestable en el grfico (c).
SL CAOS 13
0.6
02
02 Y \
~0.6 -
~ 4 \ Y
1 -
0 5 10 15 20 25 30 35 40
no de iteraciones
(a) (b)
Figura 2.8: Comparacin de los puntos fijos def(x) y deftflx)) cuando p=2.5 con dos
puntos fijos estables, grfico (a) y cuando =3donde los dos puntos fijos estables pierden su
estabilidad, grfico (b).
bk4I bk 54,669201...
1.
~12 3 4
Figura 2.9: Diagrama de bifurcacin del sistema dinmico Xn+1= (1-II)x~-i-gx~3 para
2-qtct4
0.
3.4 3.5
Sobre este asunto puede consultarse: Feder, J. Fractais Plenium Press. 1988. Pag 6-9 -
EL CAOS 18
En las figuras 3.1 (a) y 3.2 (a) se muestran dos series aparentemente
aleatorias. Si se supone que z(k) depende mucho de su predecesor
inmediato z(k-1) y menos de sus predecesores ms antiguos y se dibuja el
espacio de fase z(k) versus z(k-1), se puede observar que la distribucin de
los puntos de la figura 3.1 (b) continua siendo aparentemente aleatoria,
mientras que la de la 3.2 (b) parece que corresponde a un atractor extrao.
U CUece ~
U %~~ ~
,. Ug< tI~
U ~ U
-U UU U.
~ U
U,.
~ U
e
U
- e U U etc U
e
e 4 e e.:
~ q :~ e
U
eje
2
(a) (b)
Figura 3.1: (a) Serie temporal de apariencia aleatoria y (b) espacio cte fase z(t)
versus z(t-1) en el que parece que no hay ninguna estructura determinada, la serie contina
teniendo una apariencia aleatoria.
CMO DETECTAR EL CAOS 1 21
pate
.2 e
U
e.
e
- ---~-L~1-i-~i VI
z
(b)
(a)
Figura 3.2: (a) Serie temporal de apariencia aleatoria y (b) espacio de fase z(t)
versus z(t-1) en el que se puede distinguir la estructura de un atractor extrao.
X
1
X2
XM {XM,XM+TIXM.I.2Tt...,XM+(n1)t}
Este mtodo fue propuesto por Packard, N. H., Crutchfield, J. E., Farmer, J. U. y
Shaw, R. 5. (1980) Geometry of Time Series. Physica Review Letters. 45. 9. 712-716.
CMO DETECTAR EL CAOS. 1 22
1 ~ ~--1---,-- u -rrn -
ji
-1
--s -i
y-
II
1
Figura 3.5: Reconstruccin del atractor de Rssler con la serie temporal de x. Como
puede observarse la eleccin del retardo ha sido muy pequea y el atractor reconstruido est
muy cercano a [a diagonal del espacio.
COMO DETECTAR EL CAOS 1 24
1
1
-i
1
h. - <1 .1 ~. >
Figura 3.6: Reconstruccin del atractor de RSssler con la serie temporal de x. En este
caso la eleccin del retardo ha sido demasiado grande de forma que la estructura del
atractor original es difcil de detectar.
b) Dimensin de informacin:
(3.1)
ji(B)= hm 1 EB(X
fl4o0 a + ~ k=O
1B(Xk) = 1 si xEB
1B(Xk) = O si x~B
N(s>
~ gBplog 1
2 (3.2)
k=1 ii(Bk)
5 Se toma el logaritmo en base dos para que 1(s) est dado en bits de informacin.
CMO DETECTAR EL CAOS 27
c) Dimensin de correlacin:
Z(x)=1 si r 5~
Z(x)=O si r
Cm =CirDC (3.5)
1 00
io~
1o2
U
0.1 1 10 100
r
10 -J -
6)
a 6
a
~0
a
o) 4
a
o
0.1 1 10 100
r
Figura 3.8: Pendiente instantnea de log C(r) versus log r del atractror de Rssler
para las dimensiones de irisercin de 2 a 16.
2.6 L
0)7
~ 2.2
o
0
a
6)
a
1 8
1.4
1
0 2 4 6 8 10 12 14 16
dimensin de insercin
Figura 3.9: Dimensin del atractor de Rssler como pendiente de la regin lineal de
la figura 3.7.
)
CMO DETECTAR EL CAOS 1 .30
100
10 1
-2
~10
1-
u
o~
10 ~
0.1 1 10 100
r
Figura 3.10: Integral de correlacin para una serie de ruido blanco, las dimensiones
de insercin van 2 a 16, de forma que la curva superior representa rn=2 y la inferior nz=16.
12
10
6
u
4
o
0.1 1 10
r
Figura 3.11: Pendiente instantnea de log CO-) versus log r del de una serie de ruido
blanco para las dimensiones de insercin de 2 a 16.
CMO DETECTAR EL CAOS 1 31
Dc =D~ =
____
4 ,1 _____________
4n1 4n2 4o
(3.6)
4o
1
~ln 4k (3.7)
k1 4k1
CMO DETECTAR EL CAOS
k= hm hm .fXln ~k (3.8)
error:
Adems,
hm =f(xk1) (3.10)
4~ ~ ~k1
OOMO DETECTAR EL CAOS 33
por lo tanto
hm .tXln ~k 1 (3.11)
II
= hm ~ lnlf(xk 3 )~ (3.12)
)7-400 >~ k=1
P(C)
P(2t) P(3t)
Xk+1 =f(kt)
DL =max{d>O/y(d)=O} (3.14)
DL = ni + 1 (3.15)
~ XXk
DL=D
2. = 1 ni1 (3.19)
m =1
Figura 3.13: Ilustracin de la metodologa del algoritmo de Wolf para el clculo del
mayor exponente de Liapunov de una serie temporal.
E<IX(kt)yk(kt)~<6 (3.20)
1 --4- , ~~~~~~-1
oE 0.6
D
a
-1
0.2 -J
/~
o)
O
6)
6)
E
o
uJ
0 200 400 600 800 1000
1 -4. t
tiempo
EL MOVIMIENTO BROWNIANO
1 El movimiento Browniano fue descrito por primera vez por el botnico R. Brown en
1828. Cuando investigaba el polen de diversas plantas observ que al dispersarlo en el agua
los granos se movan de forma bastante irregular. Al comprobar que otras materias orgnicas
seguan el mismo comportamiento, lleg a la conclusin de que haba descubierto la
molculas primitivas de la materia viva. Aunque diferentes investigadores estudiaron el
movimiento Browniano, fue Einstein el que atac el problema de forma sistemtica y
CMO DETECTAR ELDAQS II 42
profunda. En cinco trabajos publicados entre 1905 y 190W explic el fenmeno y di ideas para
poder determinar dimensiones atmicas. Una versin en ingls con notas aclaratorias a los
trabajos de Einstein, se encuentra en el libro: lnvestigations en Hm Theory of Brownian
Movemeut. Dover Pubications. 1956.
CMO DETECTAR EL CAOS 1 43
PROPIEDADES DE ESCALA
(4.3)
Mi) =
1
4nDbt exp ( y (4.5)
= Jp(4
1t)d = 1 (4.7)
CMO DETECTAR EL CAOS II 45
4 r-v--rr
2-
1
1
2.-
-3
-4 1 .i-~ ~ ----.--.~ -~1
0 40 80 120 160 200
t
(a)
1 5
lo
5 4
X t/t> I~Y
0 / y
-y
-5
-10
0 40 80 120 160 200
t
(b)
Figura 4.1: Sucesin de variables aleatorias Gaussianas con media cero y varianza 1.
En (a) aparecen representadas las longitudes de paso de las partculas. En (b) se ha dibujado
la posicin de la partcula que se mide como X(t) =
CMO DETECTAR EL CAOS 1 46
-2 _
-4
-6 Y
0 50 100 150 200 250 300 350 400
t
(a)
20
15 y
A
10
/ y
Vs
x5~ /I
yU~ A
0
-5
1 0 -, .4.
ThmLt. II ~t-jfflL --
0 50 100 150 200 250 300 350 400
t
(b)
Figura 4.2: Sucesin de variables aleatorias Gaussianas con media cero y varianza 1,
cuando se observan cada dos pasos, b=2, es decir a intervalos de longitud 2r. En (a) aparecen
representadas las longitudes de paso de las partculas. En (b) se muestra la posicin de la
partcula.
CMO DETECTAR EL CAOS l 47
X(t0)) (xq)
= 4srD[t ex~~j (4.8)
4D~tt0[
(4.10)
= J AX2P(AX,t = 2D~t
li
X(Q X(t0).*1tt01 =t (4.11)
x= X(t)X(k (4.12)
1
___
1
ex pl
1) (4.13)
2zr y 2)
<BH(t)BH(to)> = O
(4.14)
KBH (1?>
EL ANLISIS R/S
1
BR (t) B11(t 1) =
ti
r(H + 1/2)
j
L
n(Mi)
=1
+ ~)R/2 (j)Ri/
2 )(1+n(M1+t))
1
de Mandelbrot, 13. 13. y Van Ness, 1~ XV. (1968) Fractional l3rownian Motions, Fractional
Noises and Applications. SIAM Review. 10. 4. 422-437.
4 - __- ~r
3
2
o
1
4-
Lfl
a- 1 y 1 A.-
o
2
y
3 y, ~
y- 1
-4
o 40 80 120 160 200
t
(a)
20 - E
0 -~>.-~.--v>
-20L * y>
y-,
-y
c 4 flJ -y
o -1
-60
-80
.-1-.--1--i- 1
-100 -
o 40 80
t
120 160 200
(b)
Figura 4.3: (a) Ruido fractal para H=O.85 y (b) funcin fractal Browniana Bp para
H=0.85.
CMO DETECTAR EL CAOS 1 52
4.-
o
2
-4
~Ki Ji
y
NJ
10
.r. rU. -t
-15 y
Figura 4.4: (a) Ruido fractal para H=O.4 y (b) funcin fractal Browniana ~H para
H=O.4.
COMO DETECTAR EL CAOS II 53
= i(t) (4.16)
1=11
X(t,z) = (4.17)
=1
(4.19)
t=l
Xmin
Figura 4.5: Esquema del embalse, el agua que entra es ~(t), la descarga media es
R/S=~j-jj (4.20)
=
1
Es1 (4.21)
k=1
k
Xk1, = (4.22)
=1
4/2
(4.24)
~1~ = mv
se obtiene RAS para cada intervalo, el valor medio de R/S para los
intervalo de longitud ti es:
CMO DETECTAR EL CAOS 1 56
1.5
H=O.53
a=-O.437
1.175 R=O.999
O) 0.85
o
0.525
1-
....I
0.2 -4 -L ,l.,il,.j.,. y. -
y
Figura 4.6: Anlisis R/S para un proceso aleatorio Gaussiano con media O y
desviacin tpica 1. H=0.53.
CMO DETECTAR EL CAOS II 57
2 ________ ______
H=O.81
1.55 a=-O.31 4
R=0997
<1)
~t lA
O) y
o
0.65
0.2
0.5 1 1.5 2 2.5 3
Iog(n)
(R/S) (4.26)
M11= rrax(C,Sumi,Sum2,...,Surnn)
Nn= min(C,Surni,Sum2,...,Sumn)
njJ
(4.27)
(2>
t 1k.
Var(R * (ti)) = U
= (4.28)
itr((1 / 2)n) r=1 r
E(R/S)n nr (4.29)
r=1
9 Peters, E. E. Fractal Market Analysis. John Wiley & Sons. 1994. pag 68.
Anis, A. A. y Loyd, E. H. (1986) Ihe Expected Value of the Adjusted Rescaled Hust
Range of Independent Normal Summands. Eiornetri ka. 1. 111-116.
Var(H)~ = 1 (4.31)
11
Xt=sen<t)
1.5
1 - -y
y~y y y y
y E E
0.5 -,
E
y E E y
y y
( y , y
E
-0.5 i
y,
E
y y E
~E E
1 y.-
y
1 E
-y E
E,>E EE~
yE E,-
Figura 4.8: Serie temporal para la funcin seno con periodo igual a 200.
2 E;
n=200
1.5
(1)
Gr
02
o
1
0.5
0.5 1 1.5 2 2.5 3
Iog (n)
= ~ ~ (4.32)
u
12 Peters, E. E. Fractal Market Ana)ysis. John Wiley & Sons. 1994. Pag 92.
CMO DETECTAR EL CAOS!! 64
>1~
S1.15L- ____
(o
-c
5 ti-
1.05
- r Lmr.-
1 1 41111.-y .-il> 1.-ti y .-ffi.- y <mt.-
20 E E
15
oo
(o 10
En
(o
w
5
o
0 0.5 1 1.5 2 2.5 3 3.5 4
Iog(n)
1.5
1.25
1
o
o
u 0.75 -
En
<
e, 0.5
0.25
o
0 0.5 1 1.5 2 2.5 3 3.5 4
Iog(n)
7
n=200
6
CE
5
u
Co
4
En
(1)
It
1
0.5 1 1.5 2 2.5 3
Iog(n)
6 y 1
-2
-4
-6
0 200 400 600 800 1000
n~ de observaciones
1.8
1
1.6
1.4 -
Co
~1.2
O) 1 -y
o
0.8
0.6 ~1
0.4 E ji
0.5 1 1,5 2 2.5 3
Iog n~ observaciones
Figura 4.15: Anlisis RIS de la funcin seno con una desviacin tpica de ruido.
3.5 n=200
3 j
o 2.5
o
(o
~0 2
x
Ce
(o
a, 1.5
~1
0.5
0.5 1 1.5 2 2.5 3
Iog n~ observaciones
Figura 4.16: Estadstico V de la funcin seno con una desviacin tpica de ruido.
CMO DETECTAR EL CAOS!! 68
15
10
-5
-10
200E 400
E 600 800 1000
yt
15
o
n9 de observaciones
y E E y E E
1.8
O) 1
o 4,
0.8
0.6
El
0.4
0.5 1 2 2.5 3
Iog n- observaciones
Figura 4.18: Anlisis R/S de la funcin seno con tres desviaciones tpicas de ruido.
CMO DETECTAR EL CAOS 1! 69
: 2.4
U
Ce
(o
1.5 t
-A
lE -4
0.5 !L11~> ffl
0.5 1 1.5 2 2.5 3
Iog n9 observaciones
20
15
10
5
o
-5
-10
-15
-20 E 1
0 200 400 600 800 1000
n9 de observaciones
)
CMO DETECTAR EL CAOS II 70
1.6
1.4
1.2
CO
~1
O)
o
0.8
0.6
0.4
0.5 1 1.5 2 2.5 3
Iog no observaciones
Figura 4.21: Anlisis R/S de la funcin seno con cinco desviaciones tpicas de ruido
1.8
n=200
1.6
o 1.4
u
4->
(o
~0
4-a 1.2
(a
o
0.8
0.5 1 1.5 2 2.5 3
Iog n 0 observaciones
Figura 4.22: Estadstico V para la funcin seno con cinco desviaciones tpicas de
ruido.
LA TRANSFORMACIN DE FOURIER
(4.33>
co=2 ,tf
(4.34)
h(t)
1
J H(n) Ci<t do)
h(t)=O t<-T
h(t)=1 -T.ctczT
h(t)=O t>T
sen(2nfT
11(f) = f h<t)e2~t~ftdt TJ e2~~dt
)
CMODETECTAR EL CAOS II 73
J-10=R0+iX(fl=A0e4(fl
H(f)
2T
h(t)
t
-T o 1
PROPIEDADES Y TEOREMAS
a) Linealidad: Si H(J) y H
20 son transformadas de Fourier de h1(t) y
1z2(t), respectivamente, y a1 y a2 son dos constantes arbitrariamente
pequeas, entonces:
donde *-~ indica que las funciones de primero y segundo miembro estn
relacionadas por las integrales de (4.33).
(4.36)
u (t
(4.38)
Ib~ Kb) ~ H(bf)
2~ (4.39)
h (t t0) <~ H(f)e
d~ h(t (4.41)
(4.43)
= Jtbwdt n=0,1,2...
(4.44)
)
)
CMO DETECTAR EL CAOS II 76
J4t)= Jh
1(th2(tt)dt (4.46)
Esta integral define una funcin h(t) conocida como convolucin de Ii1 y
7, la expresin de convolucin se escribe frecuentemente como:
)
CMO DETECTAR EL CAOS II 77
entonces
JA2 (1 )df
Y h(t
2dt =
(4.52)
h
1(t) <* H1(f) (4.53)
entonces
~f
Jz1(t)Jz2(t)dt = JH1(f)H2(f)df (4.54)
CMO DETECTAR EL CAOS!! 78
ESPECTRO DE ENERGA
J ~2 (t)dt
Segn la frmula (4.52) esta energa es igual al rea bajo la curva A20.
La correlacin de dos funciones, designada por Corr(g,h), se define
como:
J5(t t
0)t)dt 4(t0) (4.58)
CMO DETECTAR EL CAOS!! 80
0
dt~
(4.59)
5 5(t)dt = 1 (4.65)
as pues
(4.67)
(4.68)
h(t) H(t)
A 1
a(t)
t f
(a)
h(t) H(f)
1 4
8(1)
t 1
(4.71)
H(f) = Jcos2itfot e2~ftdt
como
resulta que
1
H(f)=~Y <Y e2~~tUf>dt =
2 ib) + ~(f ib)] (4.73)
o sea que
1
sen 2%ibt <-4 ib)-~(f -ib)] (4.75)
2i
h (t)
H(f)
A
1/2 /2
E E t
fo fo
h(t) H(f)
E,
;Ey
4
1/2
y EE t fo f
y E~ E
fo
y
/2
1 (4.77)
2A
(4.79)
NA
N-1
Hn E (4.80)
k=0
1k = (4.82)
11=0
k=0
h 1E~HnL
12=0
(4.83)
WN e2~ IN (4.84)
N-1
= E hkWNnk n=0,.., IV1
k~0 (4.85)
<14/2)-Kl (N/2)1
~= E b 2k+l1
k=0 2kWN + Eh2k+w<
k=O (4.86)
14
Utilizando las igualdades WN2 = WN y WN 2 = 1, la secuencia H~
2
se puede escribir con dos ecuaciones:
?V/2-1
= EJZ N/21
2kWN kn ka
(4.87)
k=0 2 k=0 2
14/2Kl N/21
ka ka
11 >1+ N/2 W14 Eh2k+WN (4.88)
k=0 2 k=0 2
N
2
CMO DETECTAR EL CAOS!! 88
= Hp12 +W14Hi12
12Hi
= Hp~ W14 12 (4.89)
N
2
h (0) H (0)
h (2) H(1)
h (4> H(2)
h (6) H(3>
h (1) H(4)
h (3) H(5)
h (5) H (6)
h (7) H (7)
(a)
h (0) Hp(O)
h (4) Hp(1)
h (2> H p(2>
h (6) Hp(3)
h(1) H (0>
h (5) Hi(1)
h (3) H (2)
h (7) H (3>
(b)
CMO DETECTAR EL CAOS 1! go
h (2) Hpi(O)
h (6) Hpi(1)
h (1) Hip(O)
h (5) Hip(1)
h (3) Hii(O)
h (7) Hii(1
(c)
N=8 puntos
ndice k en ndice k en ndice 1< en ndice k en
decimal binario puro binario decimal
0 000 000 0
1 001 100 4
2 010 010 2
3 011 110 6
4 100 001 1
y
E:, 101 101 5
6 110 011 3
7 111 111 7
CMO DETECTAR EL CAOS 1! 91
CONVOLUCIN Y DECONVOLUCIN
M/2
(r*s)y krk (4.90)
k=M/2-i-1
14
2
E j~kTk S <* 512R12 (4.91)
1). Puesto que rk es, generalmente, de dimensin mucho menor que s~,
CMO DETECTAR EL CAOS 1! 92
FILTRADO PTIMO
u(t)
w~w c(t)
(a)
u(t)
A
s(t)
(lj)
A n(t) A
s(t) c(t)
(c)
Figura 4.28: En la figura (a) se esquematiza es proceso que sufre la seal. En (b) se
representa la respuesta del sistema a una funcin delta es una distribucin. En (c) se muestra
que a la distribucin de entrada se le ha aadido ruido.
CMO DETECTAR EL CAOS!! 93
)
COMO DETECTAR EL CAOS 1! 94
5 (t)u(t)~2dt= Y0uf~df
~00 -oc
(4.95)
E,y
5(t)
5(f)
-1
A
-fo fo
to
(4.99)
Por lo tanto:
o
1
-2
-3
0 20 40 60 80 100 120
0.5
-0.5
1
0 20 40 60 80 100 120
y por lo tanto:
14-1
Ck = Ece2nk/ k=0 N1
j=0 (4.106)
P(0)=P(k)=
N
~() =
5+-(Kt <CNk~) N
2
CMO DETECTAR EL CAOS!! 99
Ventana de Parzen:
1
j--(N-1)
_ 12 (4.110)
-(14+1)
2
Ventana de Welch:
CMO DETECTAR EL ~AQS II 100
wi = (4.111)
Ventana de Hanning:
= iEcosC2)] (4.112)
Dk Ecilve2%ik/N
k=0 N1 (4.113)
~(fk) = 4.-fk
SS
2+
k=1,2,..jjL 1 (4.114)
2
P(J%) = P(f1412)
55
14
(4.115)
j=0
CMO DETECTAR EL CAOS!! 101
to to t
Figura 4.32: Representacin de una funcin temporal del tipo diente de sierra.
CMO DETECTAFiEL CAOS 1/ 103
p 2 2
2 p 3 p 4 p p
300 y i y y
250
200
150
o
CO
o-
100
50
o
-50
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
frecuencia
(a)
140
120
y E
100
80
o
CO 60
o-
40
20
o
-20 h ~
(b)
CMO DETECTAR EL CAOS!! 105
120
100
80
60
o
CO
o-
40
20
o
1
-1
-20 ~EE~EJ
Figura 4.33: ?SD de la funcin diente de sierra para (a) p=2, (b) p=4, y (c) p=8.
10 -3
o
1/3
o-
106
0 0.1 02 03 0.4 0.5
frecuencia
P(f) = (4.119)
1
F(f)oc~- (4.i22)
-2 E
-2.5
-3
4-
-3.5
o- -4
o -4.5
-5
5.5
E
-6 E E E, ,EEEE~~ E
Figura 4.35: Funcin de densidad espectral para una serie de ruido blanco.
3
2
4-
o
o-
1
o
-2
-3
-4
-5
-3.5 -3 -2.5 -2 -1.5 -1 -0.5 0
cg (frecuencia)
1
~H(f) oc
(4.123)
fa
donde a=2Hi.
De todo esto podemos concluir que cuando 11=0, BH(t) es ruido i/J
tambin llamado ruido rosa. Cuando H=i/2, BH(t) es ruido 1/fr o
movimiento Browniano ordinario.
= (4.125)
G~
2 =4~j K +2XK~4C
=1
2i +(ni)2C2~ u2KC212j (4.i26>
6
(4.127)
en la que~ -
CMO DETECTAR EL CAOS !I 111
hjXt,Xs,Xr)= i[Z(xt,Xs)Z(Xs,Xr)+Z(Xt,Xr)Z(Xr,Xs)+Z(Xs~Xt)Z(Xt~Xr)]
que hace que el grfico de recurrencia sea una buena forma de observar
cambios estructurales en los datos econmicos.
2000
1500
1000
500
0
0 500 1000 1500 2000
= U~ +~ltlUt2 N(0,1)
para y=0.6.
CMO DETECTAR EL. CAOS !I 114
xl
E,
2
= ~
0 + u1 14(0,1)
05
para 40=i y 4i=
xl =
2 2 2
= 4o + + ~lIGt~i u
1 N(0,1)
Las tablas 4.3 a 47 muestran Jos resultados del estadstico para los
modelos anteriores para series de 700 datos cada una, de forma que los de
las dos primeras permiten aceptar la hiptesis nula, mientras que los de las
siguientes, que corresponden a modelos no lineales, permiten rechazan la
hiptesis de independencia en las series.
Tabla 4.3: Resultados del estadstico BDS para una distribucin uniforme.
LAY
n 0.5 1 1.5 2
Tabla 4.4: Resultados del estadstico BUS para una distribucin Normal (0,1).
E/a
u 0.5 1 1.5 2
CG
0.5 1 1.5 2
E/ti
12 0.5 1 1.5 2
Cci
12 0.5 1 1.5 - 2
2 Brock, W., Lakonishok, J. y Leflaron, B. (1992): Simple Teclnical Trading Rules and
tbe Stochastic Properties of Stock Returns. Jaurnal of Finance 5. 1731-1766.
Levich, R. M., Thomas, R. L. (1993) Ihe Significance of Technical Trading-rule
Profits Li the Foreign Exchange Market: a bootstrap approach. Journal of Internahonal
Money ami Fnance. 12. 451-474.
Leflaron, 8. (1990) Technical Trading Rules and Regime Shifts in Foreign
Excbange. Working paper, tiniversity of Wisconsin-Madison.
ANTECEDENTES EN EL ESTUDIO DE LOS MERCADOS DE CAPITALES 119
Fama, E. E. y French, K. R. (1993) Common Risk Pactors in ihe Returns on Stocks and
Bonds Jaurnal of Financial Econonuics. 33. 3-56.
ANTECEDENTES EN EL ESTUDIO DE LQSMERCADOS DE CAPITALES 121
6 Algunos de los trabajos que obtienen los coeficientes de correlacin serial para los
precios de las acciones son:
Kendall, M. G. (1953) The Analysis of Economic Time Series. Jaurnal of the Royal
Statistical Society. Serie A. 96. 11-25.
Cootner, P. H. (1962) Stock Prices: Random vs. Systematic Changes. Industrial
Manogcmeut IZeview. 3. 24-45.
Fama, E. E. (1965) The Behavior of Stock Market Frices. Journa of Business. 38. 34-
105.
ANTECEDENTES EN EL ESTUDIO DE LOS MERCADOS DE CAPITALES 123
(5.2)
~ Sobre este asunto puede consultarse Ihaler, IR. H. (1987) Anomalies: The January
Effect. Jaurnal of Economic Perspectives 1. 1. 197-201.
Clark, IR. y Ziemba, W. 1. (1987) Playing the Turn-of-the-Year Effect with ndex
Futures. Operaticus Research. 35. 6. 799-813.
14 Tinic, 5. M. y West, R. R. (1984) Risk and Return: January vs. the Rest of te Year.
Jaurnal of Financial Econoniics. 13. 4. 561-74.
ANTECEDENTES EN EL ESTUDIO flE LOS MERCADOS DE CAPITALES 126
16 Peters, E. E. Fractal Market Analysis. John Wiley & Sons. 1994. Pag 272.
ANTECEDENTES EN EL ESTUDIO DE LOS MERCADOS DE CAPITALES 127
UN MODELO SENCILLO
6 Day, R. H. y Huang, W. (1990) Buls, Bears and Market Sheep. Journal of Economic
Behavior ami organization. 16. 37-83.
Day, IR. H. y Huang, W. (1993) Chaotically Switching Bear and Bul Markets en
Nonlincar Dinamics and Evolutionary Economics. Day, IR. H. y Chen, P. (eds.) Oxford
LTnxersity Press. 169-182.
UN MODELO SENCILLO 130
FyP~
Dd(P={a(P*~1tf(PJ
o
-0.5 0 0.5 1 1.5 2 2.5
4
3
2
1
o
1
-2
-3
-4
-0.5 0 0.5 1 1.5 2 2.5
Figura 6.2: Funcin de demanda para un inversor fundamental para un valor de a=0.2.
UN MODELO SENCILLO 132
Dtc(P,)~3(Prv) (6.4)
UN MODELO SENCILLO 132
1
ma1 =i~EImL (6.5)
i=O
2) (6.6)
D~(F1>=t3 ~~
en la que f3 es una constante que mide la fuerza del analista tcnico. En este
caso, la demanda ser positiva si la seal ha sido de compra o negativa si la
seal ha sido de venta.
(6.7)
= P~ +yQ(Pj) (6.8)
Figura 6.3: Evolucin de los precios mediante iteracin grfica cuando los valores de
los parmetros son a=O.6 y 13=0.3 y y=1. Los precios tiende a un punto fijo que coincide con el
valor fundamental.
UN MODELO SENCILLO 13~
Figura 6.4: Evolucin de los precios mediante iteracin grfica cuando los valores de
los parmetros son a=O.2 y 3=0.6 y ~1. Los precios quedan atrapados en un ciclo 2.
Figura 6.5: Evolucin de los precios mediante iteracin grfica cuando los valores de
los parmetros son a=O.1 y 3=0.5 y y=l. Solucin catica.
UN MODELO SENCILLO 137
Bi=i~y~cI(P*~fl{2p1p2)+13(P~P2)j 79<~<~
(6.10)
= p2) P1 <E 79>79
1 s
cx
13 05 1 1.5 2 2.5 3 4 5
0.5 PF(1) PF(1) PF(1) EF(1) EF(O) PE(O) C4 CA
1 PF(1) PF(1) PF(1) PF(1) RE(O) EF(O) EF(O) EF(O)
11 C2 C4 C2 PF(1) PF(0) PE(O) PE(O) FE(O)
1.15 C4 C4 C4 PF(1) PE(O) EF(O) EF(O) EF(O)
11.2 C4 CA C4 EF(1) EF(O) FE(O) FE(O) PF(O)
1.3 C4 CA GB C2 PF(O) EF(O) EF(O) EF(O)
1.4 C4 CA CA C2 PF(1) E E E
1.5 CS E E C4 PE(1) E E E
1.6 E E E CA PF(1) E E E
2 E E E E CA EF(1) E E
25 E E E E E E E E
PF(1>: punto fijo estable en el valor Pt=1, IT(O): punto fijo estableen el valor gaG, Ci:
ciclo de periodicidad i, CA: comportamiento catico, E: comportamiento explosivo de los
precios.
1.4
1.3 -
1.2
1.1
p 1
0.9
0.8
07 -
4
06
0 20 40 60 50 100
t
1 .4
1.3
1.2
1.1
p 1
0.9
0.8
0.7
0.6
0 20 40 60 80 100
t
10
P o
-10
o 10 20 30 40
t
1.5
1
p
0.5
-0.5
0 10 20 30 40 50 60
t
1 .4
1.2
p
0.8
0.6
0.4
0 20 40 60 80 100
t
0.5
0.3
0.1
-0.1
-0.3
-0.5
1940 1965 1991
Figura 7.1: Variacin logartmica de los beneficios mensuales del ndice general de la
Bolsa de Madrid.
Para todos los resultados que se ofrecen sobre el anlisis RIS se ha tomado la serie de
datos del ndice general. Se han realizado anlisis semejantes con el indice total y en todos los
casos se obtienen resultados parecidos.
ANLISIS EMPRICO DE LA BOLSA EN ESPANA 145
0.14 h
0.1
0.06
0.02
-0.02
-0.06 -
-Oil -
Figura 7.2: Variacin logartmica de los beneficios diarios del IBFX 35.
0.2 - - -- f r~r- 1
0.1
0.1
-0.2
1987 1989 1991 1993 1995
Figura 7.3: Variacin logartmica de los beneficios a cinco das del IBEX 35.
ANLISIS EMPRICO DF LA BOLSA EN ESPAA 146
Tabla 7.1. Caractersticas de las series del ndice general y del IBEX 35.
general IBEX 35
Las figuras 7.4. y 7.5 muestran la distribucin de las series que se estn
estudiando. En ambas puede observarse fcilmente las diferencias con la
distribucin normal, el apuntamiento y las colas ms anchas.
2 Fama, E. E (1965) Ihe Behavior of Stock Market Prices. Journal of Business. 38. 34-
105.
Sharpe, W. E. Portfolio Theory ami Capital Markets. New York: McGraw-Hill, 1970.
ANLISIS EMPRICO DE 1 A BOLSA EN ESPANA 147
0.07
0.06
0.05
0.04
0.03
0.02
0.01
o
8 -4 0 4 8
0.05
0.04 -
0.03
0.02
0.01 (4
-4-
o
10 -5 o 5 10
INDICE GENERAL
1.4
1.2
Co
1
m
O) 0.8
o
0.6
0.4
1 1.5 2 2.5
Iog n9 observaciones
Figura 7.6: Anlisis R/S del ndice general de la Bolsa de Madrid. H=0.67.
INDICE BANCOS
1.6
1.4
1.2
<o
m 1 E(R/S)
O)
o 0.8
0.6
0.4
1 1.5 2 2.5
Iog n9 observaciones
Figura 7.7: Anlisis RIS del ndice de bancos de la Bolsa de Madrid. H=O.67.
ANLISIS EMPRICOJE LA BOLSA EN ESPANA 150
SECTOR ELECTRICAS
1 6
. - - ~l
1.4
1.2
<o
1 E(R/S)
O)
o 0.8
- -1
0.6
0.4
1 1.5 2 2.5
log n 9 observaciones
Figura 7.8: Anlisis RIS del ndice de las empresas elctricas de la Bolsa de Madrid.
11=066.
INDICE ALIMENTACION
1.6 1 V-l rl y r
1.4
1.2
Cf)
1
O) E(R/S)
o
0.8
0.6
7]
0.4
1 1.5 2 2.5
Iog n9 observaciones
Figura 7.9: Anlisis RIS del ndice de las empresas de alimentacin de la Bolsa de
Madrid. 11=0.71.
A.NAl ISIS EMPRICO DE LA BOLSA EN ESPANA 151
INDICE CONSTRUCCION
1.6
1.4
1.2
1 E(R/S)
O)
O -
0.8
0.6
L
0.4
1 15 2 2.5
Iog n9 observaciones
Figura 7.10: Anlisis RIS del ndice de las empresas de construccin de la Bolsa de
Madrid. H=G.69.
INDICE COMUNICACIONES
1.6 1 1
1.4 F-
1.2
CI)
m 1 E(R 5)
O)
O
0.8
0.6 F
O 4
. ~ --i-i~aa --I------1----t
1 1.5 2 2.5
Iog n~ observaciones
Figura 7.11: Anlisis IRIS del ndice de las empresas de comunicaciones de la Bolsa de
Madrid. 1-1=0.69.
ANLISIS EMPRICO DE LA BOLSA EN ESPAA 152
INDICE SIDEROMETALURGICAS
1 .6
1.4
1.2
o,
1 E(R/S)
o
0.8
0.6
-t ilil~~t 1 1.A
0.4
1 1.5 2 2.5
log n 9 observaciones
Figura 712: Anlisis RIS del ndice de las empresas siderometalurgicas de la Bolsa de
Madrid. H=Cl.68.
INDICE QUIMICAS
1.6
1.4
1.2
Co
a: 1
O)
O
0.8
0.6
0.4
1 1.5 2 2.5
Iog n9 observaciones
Figura 7.13: Anlisis RIS del ndice de qumic~s de la Bolsa de Madrid. H=O.70.
ANLISIS EMPRICO DE LA BOLSA EN ESPAA 153
Tabla 7.2: IResultados del anlisis R/S sobre el ndice general de la Bolsa de Madrid.
Tabla 7.3: Resultados de las regresiones del anlisis 105 sobre el ndice general de la
Bolsa de Madrid.
19 0.66927 0.57752
Constante -0.21736 -0.10177
R cuadrado 0.99455 0.99938
n0 cbservaciones 16 16
Grados libertad 14 14
Significatividad 2.26
Como todas las series consisten en residuos AR(1) en las que se ha eliminado
la dependencia lineal a corto plazo se puede afirmar que todos las series
siguen un proceso con memoria larga.
ANLISIS EMPRICO DE LA BOLSA EN ESPANA
155
Tabla 7.4: Resultados de las regresiones del anlisis RIS sobre el ndice del sector
bancos de la Bolsa de Madrid.
H 0.67049 0.57752
Constante -0.20916 -0.10177
IR cuadrado 0.99684 0.99938
0 observaciones 16 16
n
Grados libertad 14 14
Significatividad 2.27
Tabla 7.5: IResultados de las regresiones del anlisis RIS sobre el ndice del sector
elctricas de la Bolsa de Madrid.
19 0.66233 0.57752
Constante -0.20421 -0.10177
R cuadrado 0.99752 0.99938
no observaciones 16 16
Grados libertad 14 14
Significatividad 2.07
Tabla 7.6: Resultados de las regresiones del anlisis RIS sobre el ndice del sector
construccin de la Bolsa de Madrid.
H 0.69099 0.57752
Tabla 7.7: Resultados de las regresiones del anlisis RIS sobre el ndice del sector
comunicaciones de la Bolsa de Madrid.
H 0.68507 0.57752
Constante -0.27005 -0.10177
R cuadrado 0.99592 0.99938
n observaciones
0 16 16
Grados libertad 14 14
Significatividad 2.63
Tabla 7.8: Resultados de las regresiones del anlisis RIS sobre el indice del sector
alimentacin de la Bolsa de Madrid.
Significatividad 3.13
Tabla 7.9: Resultados de las regresiones del anlisis RIS sobre el ndice del sector de
empresas siderometalurgicas de la Bolsa de Madrid.
19 0.67897 0.57752
Constante -0.2536 -0.10177
R cuadrado 0.99818 0.99938
n0 observaciones 16 16
Grados libertad 14 14
Significatividad 2.48
157
ANLISIS EMPRICO DE LA BOLSA EN ESPANA
Tabla 7.10: Resultados de las regresiones del anlisis RIS sobre el ndice del sector de
empresas quimicas de la Bolsa de Madrid.
19 0.70091 0.57752
Constante -0.2793 -0.10177
IR cuadrado 0.99761 0.99938
0 observaciones 16 16
n
Grados libertad 14 14
Significatividad 3.02
Tabla 7.11: Resultados de las regresiones del anlisis RIS sobre el ndice diario IBEX
35.
H 0.61108 0.56027
Constante -0.13167 -0.07532
IR cuadrado 0.9987 0.9993
n0 observaciones 11 11
Grados libertad 9 9
Significatividad 2.22
ANLISIS EMPRiCO DE LA BOLSA EN ESRANA 158
INDICE IBEX 35
.8 1~~~1~ - r
1.6
1.4
o,
1.2
O)
O 1
0.8
0.6
0.4 1 1.4
1.8 2.2 2.6 3
Iog n9 de observaciones
Figura 7.14: Anlisis R/S sobre el indice diario IEEX 35. H=0.61.
Tabla 7.12: Resultados de las regresiones del anlisis IRIS sobre el ndice a cinco das
IBIBX 35.
H 0.63058 0.57883
Constante -0.11518 -0.10496
IR cuadrado 0.99339 09994
0 observaciones 8 8
u
Grados libertad 6 6
Significatividad 1.16
INDICE IBEX 35
1.4 ~ -t
1.2
Co
1
O)
O
0.8
0.6
0.4
1 1.2 1.4 1.6 1.8 2 2.2 2.4
Iog n9 observaciones
Figura 7.15 Anlisis IRIS del ndice IBEX 35 a cinco das. 19=0.63.
ANLISIS EMPRICO DE LA BOLSA EN ESRANA 160
1.6
1.4
1.2
(A
1
O)
O
0.8
0.6
0.4
1 1.5 2 2.5
Iog n 0 de observaciones
Figura 7.16: Comparacin del anlisis IRIS de la serie original y de la serie de residuos
AR(1) del ndice general de la Bolsa de Madrid.
1.8
1.6
1.4
Co
1.2
O)
O
0.8
0.6
0.4
1 1.5 2 2.5 3
Iog n0 de observaciones
Figura 7.17: Comparacin del anlisis IRIS de la serie original y de la serie de residuos
AR(1) del IBBX 35.
ANLISIS EMPRICO DE LA BOLSA EN ESPANA
INDICE GENERAL
1.6 ~1 T Y V VT - -
1.5
1.4
1 .3
o
o
1.2
Co
-D
<t 1.1
u)
~ 1
0.9
0.8
1.5 2 2.5
Iog n~ observaciones
INDICE BANCOS
1.8 u- ~umu u u
1 .6
n=58
o 1 4
o
~Co 1.2
u)
a) E(R/S)
1
0.8 1.5
1
1 2 2.5
Iog n~ de observaciones
INDICE ALIMENTACION
1.6 ~ A Y Y Y
1.5
1.4 n =5
o
o 1.3
u)
-D
1.2
Ct n=20
u) 1.1
a)
1 - -Y
0.9
0.8 4- ~-Th~J .4r11 ~ J.~.
1 1.5 2 2.5
Iog n9 observaciones
INDICE COMUNICACIONES
1.6 umu- t ruY u -..J--. ~.-uT~
r-<~ r-
1.5
1.4 E-
>1
n=60
o 1.3
o
u 1.2
n=20
u) 1.1
a)
1
09
0.8
1 1.5 2 2.5
Iog n9 observaciones
INDICE CONSTRUCCION
1.6
1.5
1.4
O
1.3
ci
4-.
o 1.2
0
1.1
u)
a) 1
0.9
0.8
1 1.5 2 2.5
Iog n9 observaciones
,)
ANALISIS EMPRICO DE LA BOLSA EN ESPANA 164
SECTOR ELECTRICAS
1.6 y ru~ ~Y u-Y ~ - Y r A-
1.5
Co
-D 1.2
u)
~ 1.1 -
0.9
1 1.5 2 2.5
Iog n 9 observaciones
INDICE QUIMICAS
~l.8
L -1
1.6
o n =63
1.4
(-3
ch
-O
ce 1.2 n=20
u)
a)
1
0.8
1 1.5 2 2.5
Iog n9 observacones
INDICE SIDEROMETALURGICAS
1.5 Y uu Y U
1.4 n=56
> 1.3
O
o 1.2
(1
n=20
1.1
ce
o,
a) 1
0.9
0.8 r ~ 1
1 1.5 2 2.5
Iog n 9 observaciones
Utilizando los datos del IBEX 35 debe ser posible encontrar tambin la
existencia de estos ciclos, pero dada la escasa longitud temporal de la serie
slo ser posible encontrar el ciclo ms corto. Si se observa la figura 7.26
puede verse como el estadstico V sigue una tendencia creciente hasta n=400
lo que significa, dado que los datos son diarios, un ciclo de 1.6 aos, siendo
este resultado semejante al obtenido con los valores mensuales.
Igualmente se ha utilizado los datos del IBEX 35 a cinco das (figura
7.27) donde tambin puede observarse el ciclo de aproximadamente unos 1.6
aos aunque como ya habamos dicho Ir!, no era significativo debido a la
escasez de los datos.
)
ANALISIS EMPRICO DE LA BOLSA EN ESPAA 166
INDICE IBEX 35
1.6
n=40(
1.5
1.4
O
o 1.3
u)
Y
-n
ce 1.2
u) E(R/5)
.3) 1.1
1
0.9 1.8 2.2 2.6 3
1 1.4
n~ observaciones
1.6
n=80
1.375
O
o
Co
-O 1.15
ce
Ch
.3)
0.925
0.7
0.9 1.1 1.3 1.5 1.7 1.9 2.1 2.3 2.5
cg n9 de observaciones
1 0~
1o2
U io4
10 -s
-6
10
0.001 0.1
0.01
r
Figura 7.28: Integral de correlacin para el ndice IBEX 35 con datos diarios para las
dimensiones de irisercin 2 a 16.
40
35
30
a)
4.
25
E
o)
-O 2<)
E
a)
o- 15
10
O
<3.001 0.01 0.1
r
Figura 7,29: Pendiente instantnea para el grfico 7.28. las dimensiones de insercin
estn comprendidas entre 2 y 16.
10 o
1
10
-2
10
L..
10 -5
106
0.01 0.1
r
20
15
o)
4-.
.3) 10
c
.3)
o.
5
o
0.01 0.1
r
Figura 7.31: Pendiente instantnea para el grfico 7.30, las dimensiones de insercin
estn comprendidas entre 2 y 16.
100
10 1
1 CV3
1..
(~2
1
1
1
0,001 001 0,1
r
Figura 7.32: Integral de correlacin para la serie de residuos del indice IBBX 35, las
dimensiones de insercin estn comprendidas entre 2 y 16.
ANLISIS EMPRICO DE LA BOLSA EN ESPANA 171
40
35
30
.3) 25
c
a 20
a
a)
o. 15
10
5
o
0,001 0,01 0,1
r
lo0
1..
o
1 o~
0,01 0,1
r
Figura 7.34: Integral de correlacin para la serie de residuos del ndice general de la
Bolsa de Madrid, las dimensiones de insercin estn comprendidas entre de 2 y 16.
)
ANLISIS FMPRICO DE LA BOLSA EN ESPANA 172
30
a)
25
4-1
20
a)
-o
a 15
a,
o-
10
5
o
0,01 0,1 1
r
Figura 7.35: Pendiente instantnea para el grfico 7.34, las dimensiones de insercin
estn comprendidas entre 2 y 16.
6 Ramsey, J. y Yuan, H. (1989) Bias and Error Bias in Dimension Calculation and Their
Evaluations in sorne Simple Modeis. Physicai Letters A. 134. 287-297.
ANLISIS FMPRJCO DE LA BOLSA EN ESPAA 172
3 E Y
2.5
O
E
D
o- 2
CD
a) 1.5
a)
4-.> 1
E
o)
E
O 0.5
o-
.3) o
-0-5
0 100 200 300 400 500 600
evolucin temporal
o
E
D
3
o-
a) 2
a)
4.>
E
.3)
E 1
o
o-
.3)
o
O 0.8
E
D
o- 0.6
a)
-O 0.4
.3>
4-1
o,E 0.2
E
o A
o- -~ ~~,.t--
o) o
-0.2
0 100 200 300 400 500 600
evolucin temporal
Figura 7.38: Exponente de Liapunov para la serie de residuos del ndice general de
la Bolsa de Madrid, X=0.1.
o
E
D
o-
CD
-J
a) 2
-O
a)
4-1
E
a)
E
O
a
o,
o
Figura 7.39: Exponente de Liapunov para la serie de residuos del IBEX 35, X=O.07.
ANLISIS EMPIRACO DE LA BOLSA EN ESPAA 176
Comparando los grficos 7.36 con 7.38 y 7.37 con 7.39 se puede
constatar que los exponentes de Liapunov son los mismos para la serie
original y para la serie de residuos, por lo que las series cumplen el teorema
de Brock, lo que permite apoyar con mayor fuerza la hiptesis de caos en la
serie de ndice general de la Bolsa.
Segn Brock (1986)10, debido a la inexistencia de errores estandard
para los exponente de Liapunov, para conjuntos pequeos de datos, el
algoritmo de estimacin de Wolf puede generar exponentes espreos
positivos en procesos i.i.d., lo que puede impedir la distincin de procesos
lineales estocsticos y procesos deterministas. Por esta razn, deben
observarse con cautela los exponentes obtenidos, que presentan indicios de
que las series son caticas, siendo imposible poder asegurarlo
completamente.
En cualquier caso hay que insistir en que dado el nmero limitado de
observaciones de las series utilizadas, es posible que el algoritmo de Wolf no
proporcione una correcta caracterizacin de los exponentes de Liapunov,
como se puede constatar en Brock (1986)10.
25
20
15
o
(A
o-
10
o
0 0.1 0.2 0.3 0.4 0.5
frecuenca
20
15
o
ujlO
o-
o
0 0.1 0.2 0.3 0.4 0.5
frecuencia
LS
0.5
o O
(.n
o- -0 .5
O)
O
1
-1.5
-2
1
-2.5
-3 -2.5 -2 -1.5 -1 -0.5 0
Iog f
Figura 7.41: PSD del ndice general del ndice general de la Bolsa de Madrid. Ajuste
por mnimos cuadrados a=I.41.
13 Voss, Y. IR. (1993) 1/f noise and fractals in DNA-base sequences. En Crilly, A. J.,
Ernshaw, IR. A. y Jones, 1-1. (eds.) Appications ofFractal ami CImas. 7-20. Springer- Verlag.
ANAL ISIS EMPRICO DE LA BOLSA EN ESPAA 182
~~Tj~YYYk~
1
o
(n
o- 2
O)
O
3
-4
-5 -Y
Iog f
Figura 7.42: PSD del IBBX 35. Ajuste por mnimos cuadrados a=1.25.
GRAFICO DE RECURRENCIA
1992
1975
1958
1941
1941 1958 1975 1992
1995
~ ~
1993 -
1991
L
~ t~
~, 4
It li1~ E
1~ ~
r~r U 1
1987
1987 1989 1991 1993 1995
En la figura 7.4 puede apreciarse una clara zona blanca cerca del
origen del grfico de recurrencia, que corresponde a la crisis que en 1987 se
produce en la bolsa de Nueva York y que se transmite a todas las bolsas
europeas y entre ellas la de Madrid.
Entre 1988 y mediados de 1990 se advierte un cuadrado ms oscuro
alrededor de la diagonal, pero con zonas ms claras dentro del mismo. Esto
corresponde a un periodo con movimientos errticos del indice. Por ejemplo,
puede verse un banda ms clara alrededor de 1990 que coincide con una
minicrisis que se inicia en la bolsa de Nueva York a finales del ao anterior.
A mediados de 1990 comienza otra etapa de mayor volatilidad debida
a la nueva crisis derivada de la guerra de Golfo.
ANAL ISIS EMPRICO DE LA BOLSA EN ESPAA lBS
EL TEST BDS
t/c~
En la tabla 7.16 muestra los resultados del estadstico BUS para la serie
de datos originales del ndice IBEX 35, en este caso tambin se rechaza la
hiptesis de i.i.d..
Pero al aplicar el estadstico BUS es recomendable limpiar la serie de
cualquier dependencia lineal que pueda haber en los datos, ya que si esta
existiera provocara que se rechazara la hiptesis de i.d.d. de la serie. Para
evitar esto tomamos la serie de residuos obtenida de un AR(1). En las tablas
7.17 y 7.18 se exponen los resultados del estadstico BUS para las series de
residuos de ambas series.
ANLISIS EMPRICO DE LA BOLSA EN ESPAA .186
e/o
n 0.25 0.5 1 1.5 2
Tabla 7.17: Estadstico BUS para la serie de residuos de ndice general de la Bolsa de
Madrid.
E/O
e/o
2 2 Li
1 0.16084* 21 0.028393
2 0.0091325 22 -0.0099744
3 -0.011623 23 -0.012317
4 0.074786 24 0.056101
5 0.086811 25 0.051363
6 0.12812 26 0.0039678
7 0.038381 27 -0.031639
8 0.049330 28 0.019213
9 0.0051480 29 0.036711
10 0.078369 30 0.018444
11 0.099678 31 -0.056298
12 0.088148 32 0.0098437
13 -0.0029566 33 -0.083867
14 -0.0092088 34 0.081235
15 0.029019 35 0.069928
16 0.042944 36 0.028344
17 0.018264 37 -0.0015786
18 0.0016994 38 -0.018518
19 -0.083088 39 -0.048955
20 -0.036462 40 -0.046140
(*) significativo al 99%.
Mnimo -0.33776426
Mximo 0.18429604
Media -3.4098683e-06
Desv. tpica 0.048676122
Varianza 0.0023693648
Sesgo -0.4496295
Kurtosis 4.3557142
2 Li 1
1 0.0027371 21 0.038542
2 -0.015719 22 -0.013072
3 -0.025874 23 -0.019838
4 0.065964 24 0.052941
5 0.057003 25 0.044183
6 0.11489 26 0.0018767
7 0.0097886 27 -0.036774
8 0.046020 28 0.020082
9 -0.014653 29 0.033149
10 0.063892 30 0.022156
11 0.077804 31 -0.064409
12 0.076880 32 0.033730
13 -0.016357 33 -0.10349
14 -0.014629 34 0.088816
15 0.025738 :35 0.055843
16 0.038091 36 0.018051
17 0.012278 37 -0.0029213
18 0.011956 38 -0.011242
19 -0.082188 39 -0.040974
20 -0.029483 40 -0.033903
APNDICE 190
11 -0.014011 31 -0.016506
12 -0.0058374 32 -0.043866
13 0.0011372 33 0.017056
14 0.031020 34 0.0077684
15 0.013447 35 -0.012660
16 -0.011581 36 -0.053362
17 0.016359 37 -0.029798
18 0.032794 38 -0.017823
19 -0.012985 39 -0.036951
20 -0.030229 40 -0.016243
(*) significativo al 990/o.
Mnimo -0.088676013
Mximo 0.084278144
Media -2.2008608e-05
Desv. tpica 0.011687037
Varianza 0.00013658683
Sesgo -0.36495558
Kurtosis 5.6737978
& 1 Li
1 -0.0042066 21 0.0053221
2 0.018511 22 0.015783
3 0.0011920 23 0.039439
4 0.034392 24 -0.011679
5 -0.043699 25 0.032487
6 0.0031346 26 0.025559
7 0.058335 27 -0.023689
8 0.0029508 28 0.021733
9 0.016689 29 -0.021508
10 0.047647 30 0.0028283
11 -0.024348 31 -0.0081824
12 -0.0020291 32 -0.049020
13 -0.0039879 33 0.023138
14 0.029400 34 0.0074662
15 0.011756 35 -0.0032219
16 -0.017452 36 -0.049306
17 0.012874 37 -0.017080
18 0.032238 38 -0.0037597
19 -0.014279 39 -0.033368
20 -0.032344 40 -0.0064299
CONCLUSIONES
116.
Peters, E. E. Chaos arid Order in Tite Capital Markets. John Wiley & Sons.
1991.