Retornos.

1. Introducción.

El objetivo de invertir es, por supuesto, obtener un beneficio. El ingreso de la inversión, o la pérdida en el
caso de un ingreso negativo, depende tanto del cambio en los precios como de los montos de los activos
que se mantienen. Los inversores están interesados en los ingresos que son altos en relación con el tamaño
de las inversiones iniciales. Los retornos miden esto, porque los retornos sobre activos son cambios en el
precio expresados como una fracción del precio inicial.

Ecuación Donde
Rendimiento neto P P −Pt −1
simple (Simple Rt = t −1= t
significa un período) P t−1 P t−1
Ingreso por tenencia
(Ingresos = inversión inicial × rendimiento neto)
de un activo Pt el precio de un momento t.
Se supone que no hay dividendos y el período de

Rendimiento bruto Pt tenencia desde el tiempo t - 1 hasta el tiempo t

simple
1+ Rt = El numerador, Pt - Pt-1, es el ingreso o beneficio
P t−1 durante el período de tenencia, con un beneficio
negativo que significa una pérdida.
Pt P t Pt −1 P t−k El
Rendimiento bruto
de los k períodos
1+ Rt ( k )= = ( )( ) (
P t−k Pt −1 Pt −2
…
Pt −k
período )
+1 denominador, Pt-1, es la inversión inicial al inicio del
de tenencia.
Por lo tanto, el rendimiento neto puede verse como el
ingreso relativo o la tasa de ganancia.
1+ Rt ( k )= 1+ Rt 1+ R t−1 … 1+ Rt−k +1 El rendimiento bruto de los k períodos más recientes
( )( ) ( )
es el producto de los resultados brutos de k período
Pt
Retorno logarítmico
(de un período)
r t =log 1+ Rt =log
( ) ( )
Pt −1
= pt − pt −1 único (desde el momento t k hasta el tiempo t).
Los rendimientos compuestos continuamente, también
conocidas como rendimientos logarítmicos, se
r t ( k )=log 1+ Rt ( k )
( ) denotan por rt.
pt es el precio logarítmico [ln(Pt)].
Retornos r t ( k )=log {( 1+ R t ) … ( 1+ Rt −k+1 ) }
logarítmicos de los k
períodos r t ( k )=log ( 1+ Rt ) +…+ log ( 1+ Rt −k+1 )
r t ( k )=r t + r t−1 +…+r t−k+1

Ejemplo 1. Rendimiento neto: una inversión inicial de $ 1000 y un rendimiento neto del 8% genera un
ingreso de $ 80.

Ejemplo 2. Rendimientos de los k Pt

períodos: En esta tabla, los precios en Time Pt P R t = −11 + R(1) 1 + R(2) 1 + R(3)
P t−1
los tiempos t - 2 a t + 1 se dan en la t - 2 Pt-2 2 - - -
tercera columna. Los rendimientos t - 1 Pt-1 2,1 0,05 1,05 - -
t Pt 2,06 -0,019 0,981 1,03 -
brutos simples están en la quinta t + 1 Pt+1 2,12 0,29 1,03 1,01 1,06
columna (Si Pt-2 = 2 y Pt-1 = 2,1,
entonces (1 + Rt-1) = 1,05 o 105% y R t-1 = 0,05 o 5%), mientras que los rendimientos brutos de dos o tres
períodos están en las columnas restantes.

Los rendimientos no tienen escala, lo que significa que no dependen de unidades (dólares, centavos, etc.),
pero si tienen unidad. Su unidad es el tiempo, y por lo tanto, dependen de las unidades de t (hora, día, etc.).
En el ejemplo, si t se mide en años, entonces el rendimiento neto es del 5% por año.

1.1. Notación

En este documento, log (x) significa que el logaritmo natural de x y log 10 (x) se usa para denotar el logaritmo
en base diez. Los retornos logarítmicos son aproximadamente iguales a los retornos porque si x es

1
pequeño, entonces log (1 + x) ≈ x como se puede ver en la Figura donde se traza log(1 + x). Observe en esa
figura que log (1 + x) está muy cerca de x es │x│< 0,1, por ejemplo, para retornos que son menores al 10%.

Error
Rt rt = ln(1+Rt)
Rt - r t
-20 % -22,31 %
-17,5 % -19,24 %
-15 % -16,25 %
-12,5 % -13,35 %
-10 % -10,54 %
-7,5 % -7,8 %
-5 % -5,13 %
-2,5 % -2,53 %
0% 0%
2,5 % 2,47 %
5% 4,88 %
7,5 % 7,23 %
10 % 9,53 %
12,5 % 11,78 %
15 % 13,98 %
17,5 % 16,13 %
20 % 18,23 %

Ejemplo 3. Un retorno de 5% es igual a un retorno logarítmico de 4,88% ya que log (1 + 0,05) = 0,0488.
Además, un retorno de -5% es igual a un retorno logarítmico de -5,13% log (1 - 0,05) = -0,0513. En ambos
casos, rt = log (1 + Rt) ≈ Rt. Además, log (1+ 0,01) = 0,00995 y log (1 - 0,01) = -0,01005, por lo que
rendimiento logarítmico de ± 1% están muy cerca de los retornos netos correspondientes.

Una de las ventajas de utilizar rendimientos logarítmicos es la simplicidad de los rendimientos de múltiples
períodos. Un rendimiento logarítmico de k período es simplemente la suma de los rendimientos logarítmicos
de un solo período, en lugar del producto como para rendimientos.

1.2. Composición discreta y continua.

Si el interés del 5% se calcula

La composición discreta 0,05 2
significa composición en cualquier
intervalo de tiempo fijo. A medida
semestralmente, el valor después de un año
es
(2
1+ )
=1,050625

Si la composición es diaria, entonces el valor 0,05 365

que la composición discreta se después de un año es
1+(365 )
=1,0512675

Si uno aumentara el interés cada hora, 0,05 24 ×365

entonces el valor después de un año sería (1+
24 ×365 )
=1,0512709
2 0,05 N 0,05
Composición continua lim 1+
N→∞ N( )
=e =1,0512711
vuelve más y más frecuente, el valor después de un año tiende a un límite, llamado como composición
continua.

Un dólar invertido durante un año a una tasa de interés simple del 5% vale $ 1,05 al final de un año.

Tabla 1. D1 es el valor después

La tabla 1 muestra la convergencia al límite. En la tabla, N es la de un año de un depósito de $
cantidad de veces que el interés se compone en un año y D 1 es el 1000 que se ha compuesto N valor
al final del año de un depósito inicial de mil dólares. La segunda veces durante el año al 5%.
N D1 – 1.050
columna contiene los valores de (D1 – 1.050), que es el valor 1 0
adicional (en dólares) de interés compuesto sobre interés simple. A 2 0,6250 ocho
4 0,9433
dígitos significativos, una centésima parte de un centavo, no hay 12 1,1619
diferencia en los rendimientos brutos entre el compuesto discreto por 52 1,2458 minuto
y el compuesto continuo; ambos tienen un rendimiento bruto de 365 1,2675
24×365 1,2709
1,0512711 a ocho dígitos significativos. Compuesto por hora y 60×24×36 1,2711
continuo de acuerdo en el séptimo dígito, una décima parte de un 5
∞ 1,2711
centavo.

En general, si los dólares D se invierten a una tasa Otra forma de ver la composición continua. El aumento
r continuamente compuesta durante un año, el continuo se puede describir de acuerdo con una ecuación
diferencial para la tasa de crecimiento.
valor después de un año es D×exp(r). El retorno es
Sea t el tiempo en años y Dt el valor del δ Dt
exp(r), de modo que retorno logarítmico es r. Esta depósito que crece a una tasa constante r de =r × D t
es la razón por la que el retorno logarítmico en un acuerdo con la ecuación diferencial δt
Entonces la solución a esta ecuación
activo se denomina tasa compuesta continua.
diferencial es D t =D 0 × e r ×t

1.3. Ajuste por dividendos.

Muchas acciones, especialmente las de compañías maduras, pagan dividendos que deben contabilizarse al
calcular los rendimientos.

Si se paga un dividendo Dt y, por lo tanto, el rendimiento

antes del tiempo t, entonces P t + Dt neto es Rt = (Pt + Dt) / Pt-1 -1 y el
1+ Rt =
el rendimiento bruto en el Pt−1 retorno logarítmico es rt = log (1
tiempo t se define como + Rt) = log (Pt + Dt) - log (Pt-1).
Pt + D t Pt−1 + D t −1 Pt −k+1 + D t −k+1
Los rendimientos brutos de
múltiples períodos son
productos de rendimientos
1+ Rt ( k )= ( Pt −1 )( Pt −2 ) (
…
Pt−k ) En cualquier momento s, Ds = 0
si no hay dividendo entre S - 1 y
brutos de un solo período, S.
de modo que 1+ Rt ( k )=( 1+ Rt )( 1+ R t−1 ) … ( 1+ Rt−k +1 )

r t ( k )=log ( 1+ Rt ( k ) )=log ( 1+ R t ) +…+ log ( 1+ R t−k +1 )

Del mismo modo, y el
retorno logarítmico de k-
Pt + D t Pt −1+ D t−1 P t−k+1 + D t −k+1
período es
r t ( k )=log ( P t−1 ) (
+ log
Pt −2
+…+ log) Pt −k ( )
2. Comportamiento de retornos.

2.1. ¿Qué podemos decir sobre los retornos?

3
Los retornos no se pueden predecir perfectamente, porque son aleatorios. La aleatoriedad implica que
un rendimiento puede ser más pequeño que su valor esperado e incluso negativo, lo que significa que la
inversión implica un riesgo1. Pasó bastante tiempo antes de darse cuenta de que el riesgo podía describirse
mediante la teoría de la probabilidad. De hecho, la aleatoriedad es un concepto que se desarrolló muy
lentamente. Por ejemplo, a pesar de sus tremendos desarrollos intelectuales en otras áreas, los antiguos
griegos tenían poco aprecio por la probabilidad. Los griegos habrían pensado en los retornos según lo
determinado por los dioses o los destinos (tres diosas del destino). Los griegos no parecían darse cuenta de
que los fenómenos aleatorios exhiben algunas regularidades, como la ley de los grandes números y el
teorema del límite central. La teoría de la probabilidad eventualmente surgió del juego durante el
Renacimiento, mucho después de que se establecieron otras áreas de las matemáticas. Peter Bernstein ha
escrito un interesante libro popular “Contra los dioses: La extraordinaria historia de riesgo” que narra
los desarrollos de la teoría de la probabilidad y nuestra comprensión del riesgo.

Incluso, después de que las aplicaciones de la probabilidad a los juegos de azar fueron bien apreciadas, la
aplicación de la probabilidad a otras actividades humanas, en particular, a los mercados financieros no
estaba desarrollada. En el juego, las probabilidades se pueden encontrar mediante un simple razonamiento
y una suposición de simetría. Si un dado es justo, entonces cada cara tiene una probabilidad de 1/6. De
manera similar, la probabilidad es 1/2 de que aparezca cara al lanzar una moneda justa. No hay manera de
aplicar este tipo de razonamiento a los retornos. Frank Knight, economista de la Universidad de Chicago,
hizo una distinción importante entre la incertidumbre medible o el riesgo adecuado (por ejemplo, los
juegos de azar) donde se conocen las probabilidades y la incertidumbre incuantificable donde se
desconocen las probabilidades. La incertidumbre incuantificable se parece mucho al concepto griego del
destino; no hay mucho que se pueda decir sobre el futuro, excepto que es incierto.

Como un simple ejemplo de incertidumbre medible, supongamos que hay una bolsa bien mezclada de 30
canicas azules y 70 rojas y una elegida al azar. Considere un juego que cuesta $ 60 para jugar y donde
gana $ 100 si la canica es roja. ¿Cuál es la ganancia esperada? Sabemos que la probabilidad de color rojo
es 0,7 y podemos calcular las ganancias esperadas: (0,7) ($ 100) - $ 60 = $ 10. Por lo tanto, este es un
buen juego, aunque depende en parte de la actitud de uno hacia riesgo. Ahora supongamos que solo
sabemos que la bolsa contiene 100 canicas, algunas azules y otras rojas. Entonces, no hay mucho que
podamos decir acerca de la probabilidad de ganar o las ganancias esperadas, por lo que la incertidumbre es
incuantificable.

La incertidumbre medible es bastante rara fuera del juego y el muestreo aleatorio. Afortunadamente, existe
un compromiso entre la incertidumbre medible, donde las probabilidades pueden deducirse mediante el
razonamiento matemático, y la incertidumbre incuantificable, donde las probabilidades son desconocidas. La
inferencia estadística es la ciencia de estimar probabilidades utilizando datos y suponiendo que los datos
son representativos de lo que se debe estimar. En el ejemplo de la bolsa de canicas, podríamos aplicar la
inferencia estadística si tuviéramos una muestra de canicas de la bolsa y estuviéramos dispuestos a que la
muestra fuera representativa porque las canicas se habían elegido al azar. Decimos que una muestra de
tamaño k fue elegida al azar si todos los subconjuntos de tamaño k de la población tenían la misma
probabilidad de ser seleccionados.

Sin ningún supuesto, las finanzas estarían en el ámbito de una incertidumbre incuantificable y sin salida. En
el momento t - 1, Pt y Rt no solo serían desconocidos, sino que no sabríamos sus distribuciones de
probabilidad. Las finanzas matemáticas no serían posibles en este caso. Sin embargo, podemos estimar
estas distribuciones de probabilidad si estamos dispuestos a suponer que los rendimientos futuros
serán similares a los rendimientos pasados, una condición llamada estacionaria. Con este supuesto,
la maquinaria de la inferencia estadística se puede aplicar y la distribución de probabilidad de P t, se puede
estimar a partir de datos pasados. Por lo tanto, las finanzas, como la mayoría de la ciencia 2, se encuentran
1
Of course, the return could be larger than expected, but to the investor is not risk.
2
I believe that finance is a branch of economics that is a social science.

4
en un área gris entre la incertidumbre cuantificable e incuantificable. La incertidumbre es incuantificable si
no estamos dispuestos a hacer suposiciones, pero si estamos dispuestos a suponer que los rendimientos
son estacionarios, entonces podemos actuar si la incertidumbre fuera medible.

En este documento, centramos la atención en una muestra {R 1, R2, ..., Rt} de rendimientos en un solo activo
en los momentos 1, 2, ..., t. Más adelante, se estudiarán los modelos de valoración de activos (por ejemplo,
CAPM en el Capítulo 7) que utilizan la distribución conjunta de una sección transversal {R 1t, ... RNt} de
retornos sobre N activos en una sola vez t. Aquí Rit es el rendimiento del activo i en el momento t.

Uno de los principales problemas en finanzas es cómo debemos modelar las distribuciones de probabilidad
de los rendimientos. La especificación de estas distribuciones es esencial para muchos propósitos, por
ejemplo, el precio de las opciones. Una pregunta polémica es si los retornos son predecibles utilizando
retornos anteriores u otros datos. 3 El modelo "estándar" en muchas áreas de finanzas, por ejemplo, los
precios de los derivados, es el paseo aleatorio geométrico en tiempo discreto o su movimiento análogo,
geométrico de Brown, en tiempo continuo. Este modelo dice que los rendimientos no son predecibles. Sin
embargo, la evidencia empírica acumulada en las últimas décadas muestra que, al menos, son
predecibles.

2.2. El modelo de paseo aleatorio

2.2.1. I.I.d. retornos normales.

Supongamos que R1, R2, ... son los rendimientos de un solo activo. Un modelo común es que son:

1. mutuamente independientes;
2. distribuidos de manera idéntica, es decir, tienen las mismas distribuciones de probabilidad y, en
particular, la misma media y varianza; y
3. distribuido normalmente;

Más sucintamente, R1, R2, ... son i.i.d. N (μ, σ2) para algunos (desconocido) μ y σ2.

Hay dos problemas con este modelo. Primero, porque una variable aleatoria normalmente distribuida puede
tomar cualquier valor entre -∞ y + ∞, el modelo implica la posibilidad de pérdidas ilimitadas, pero la
responsabilidad suele ser limitada; R t ≥ -1 ya que no puede perder más que su inversión. En segundo lugar,
los retornos de varios periodos no se distribuyen normalmente porque 1 + R t (k) = (1 + Rt) (1 + Rt-1)… (1 + Rt-
k + 1) no es normal; las sumas de retornos normales son normales pero no los productos.

2.2.2. El modelo log normal

Un segundo modelo asume que los retornos logarítmicos son i.i.d. Recuerde que el retorno logarítmico es r t
= log (1 + Rt), donde 1 + Rt es el rendimiento bruto simple.

Por lo tanto, asumimos que log (1 + R t) es N (μ, σ2), de modo que 1 + R t es exponencial y, por lo tanto,
positivo, Rt ≥ -1. Esto resuelve el primer problema. También,

1+ Rt ( k )=( 1+ Rt )( 1+ R t−1 ) … ( 1+ Rt−k +1 )

1+ Rt ( k )=e r … e r
t t−k+1

1+ Rt ( k )=e r +…+r
t t−k+ 1

ln [ 1+ Rt ( k ) ]=r t + …+r t −k+1

3
By “predictable” I mean that there is a better predictor than the expected return.

5
Dado que las sumas de las variables aleatorias normales son, en sí mismas, normales, se resuelve el
segundo problema: la normalidad de los resultados de los retornos logarítmicos de un solo período implica
la normalidad de los resultados de los retornos logarítmicos de varios períodos.

Debido a que los rendimientos logarítmicos a menudo se modelan como caminatas geométricas aleatorias,
entonces el modelo de paseo aleatorio geométrico implica que los retornos logarítmicos son mutuamente
independientes; uno no puede predecir rendimientos futuros de rendimientos pasados. El modelo también
implica que Rt se distribuye como una lognormal.

La distribución lognormal se remonta a la disertación de Louis Bachelier (1900) en la Sorbona llamada “La
teoría de la especulación”. El trabajo de Bachelier anticipó la teoría de Einstein (1905) sobre el
movimiento browniano. En 1827, Robert Brown, un botánico escocés, observó el movimiento errático
impredecible de las partículas que contienen los granos de polen bajo un microscopio. En 1905,
Einstein comprendió que el movimiento se debía al bombardeo de las moléculas de agua y desarrolló una
teoría matemática. Más tarde, Norbert Wiener, un M.I.T. Matemático, desarrolló un modelo matemático más
preciso del movimiento browniano, ahora denominado proceso de Wiener.

Aunque el trabajo de Bachelier anticipaba gran parte de las finanzas matemáticas, su trabajo fue ignorado
en ese momento y nunca encontró un trabajo académico decente. La tesis de Bachelier salió a la luz
accidentalmente más de 50 años después de que la escribió. El estadístico y economista Jimmie Savage
encontró un libro de Bachelier en la biblioteca de la Universidad de Chicago y se lo preguntó a otros
economistas acerca de esto. Paul Samuelson encontró la tesis de Bachelier en la biblioteca del MIT. 4 La
traducción al inglés se publicó en 1964 en “The Random Character of Stock Market Prices”, un volumen
editado que contiene varios artículos seminales.

Ejemplo 4. Un retorno bruto simple, (1 + R), es lognormal {0, (0,1) 2}, lo que significa que log (1 + R) es N {0,
(0,1)2}. ¿Qué es P (1+ R < 0,9)?

Respuesta: Como log (0,9) = -0,105, P (1 + R <0,9) = P {log (1 + R) <

−0,0105−0
log ( 0,9 ) =Φ [ 0,21 ]
=Φ (−1,05 ) =0,1469. En MATLAB, cdfn(-1,05) = 0,1469.

Ejemplo 5. Supongamos nuevamente que 1 + R es Lognormal {0, (0,1) 2}. Además, suponga que los
retornos son una secuencia independiente. Encuentre la probabilidad de que un rendimiento simple bruto de
dos períodos sea menor que 0,9.

Respuesta: El retorno bruto de dos períodos es Lognormal {0, (0,1) 2} entonces esta probabilidad es

0,9
Φ log
[ ( √ )] 2 ( 0,1 )
=Φ (−0,745 ) =0,2281. Encontremos una fórmula general para los kth períodos de

retorno. Recuerde que 1 + Rt(k) = (1 + Rt)… (1 + Rt-k+1).. Supongamos que Iog (1 + Ri) es N (μ, σ2) para i y
que {Ri} son mutuamente independientes. Luego el log {1 + R t(k)} es la suma de k variables aleatorias
independientes de N (μ, σ2), de modo que el log {1 + Rt(k)} es N (kμ, kσ2). Por lo tanto

log ( x )−kμ
P {1+ Rt ( k )< x }=Φ { √k σ }
4
See Bernstein (1992)

6
 2 2
La asimetría de Rt(k) (o de 1 + Rt(k)) es igual ( ek σ +2 ) √ ek σ −1 y crece muy rápidamente con k. Por lo tanto,
vemos que, si los rendimientos logarítmicos de un período se distribuyen normalmente, entonces el retorno
durante un largo período de espera es muy sesgado.

2.2.3. Paseos al azar.

Sean Z1, Z2, ... sea i.i.d. con media μ y desviación estándar σ. Sea S0 un punto de partida arbitrario y S t = S0
+ Z1 +… + Zt; t ≥ 1

El proceso S0, S1, ... se llama caminata aleatoria y Z 1, ..., Zt Son sus pasos. La expectativa y la varianza de
St, condicionales dado S0, son E(St│S0) = S0 + μt y Var(St│Z0) = σ 2 t . El parámetro μ se llama la drift y
determina la dirección general de la caminata Fig. 3.2. La media y los límites (significa más menos una
aleatoria. El parámetro σ es la volatilidad y desviación estándar) en un azar con S 0 = 0, μ = 0,5, σ = 1. En un
momento dado, la probabilidad de estar entre los límites (curvas
determina cuánto fluctúa la caminata aleatoria discontinuas) es del 68% si la distribución de el paso es normal.

alrededor de la media S0 + μt . Dado que la desviación

estándar de St dada S0 es σ √ t , S0 + μt ± σ √ t da la
media más y menos una desviación estándar que da un
rango que contiene un 68% de probabilidad bajo el
supuesto de una distribución normal. El ancho de este
rango crece proporcionalmente a √ t se ilustra en la
Figura 3.2, mostrando que en el tiempo t = 0 sabemos
mucho menos dónde estará la caminata aleatoria en el
futuro distante en comparación con donde estará en el
futuro inmediato.

2.2.4. Paseo aleatorio geométrico.

Recordar que log {1 + Rt(k)} = rt + rt-1…+ rt-k+1. Por lo tanto Tomando k = t, temenos:
Pt (r +…+r t −k+ 1 ) rt + …+rt−k+ 1)
=1+ Rt ( k )=e Pt =P0 e(
t

P t−k

Por lo tanto, si se asume que el rendimiento logarítmico es i.i.d. normal, entonces el proceso {P t: t = 1, 2, …}
Es el exponencial de un paseo aleatorio. A este proceso lo llamamos caminata aleatoria geométrica o
caminata aleatoria exponencial. Si r1, r2,…. are i.i.d. N (μ, σ2) entonces el proceso es un paseo aleatorio
geométrico lognormal con parámetros (μ, σ2).

A medida que el tiempo entre los pasos se acorta y el paso se reduce de la manera apropiada, una
caminata aleatoria converge al movimiento browniano y una caminata aleatoria geométrica converge al
movimiento browniano geométrico; consulte el Capítulo 8. El movimiento Brownian geométrico es el “modelo
estándar” para los precios de las acciones que se utilizan en los precios de las opciones.

2.2.5. El efecto del drift. *ojo

El modelo de caminata aleatoria geométrica implica que los cambios de precios futuros son
independientes del pasado y, por lo tanto, no son posibles de predecir, pero no implica que uno no
pueda ganar dinero en el mercado de valores. Muy por el contrario, dado que μ es generalmente
positivo, la caminata aleatoria tiene una tendencia ascendente. Solo las desviaciones futuras de la
tendencia no se pueden predecir. La tendencia en sí se puede predecir una vez que se estima μ.

7
Si el retorno logarítmico es N (μ, σ2), entonces la devolución tiene una distribución lognormal. Como se
explicó en la Sección 2.8.3, la mediana de la distribución lognormal es exp (μ) y su valor esperado es exp(μ+σ2/2)
que es más grande que la mediana debido a la asimetría correcta. Usando estos hechos, las fórmulas
generales para el precio medio y el precio esperado después de k años son y P 0exp{kμ} y P0exp{kμ+kσ2/2},
respectivamente, donde P0 es el precio en el momento 0.

Ejemplo 6. El rendimiento logarítmico del índice del mercado de valores en los Estados Unidos, en su
conjunto, tiene una media de alrededor del 10% y una desviación estándar de alrededor del 20%. Para ver
qué implican estos valores, observamos 20 años de paseo aleatorio geométrico con μ = 0,1 y σ = 0,2. El
retorno logarítmico esperado en cada paso es 0,1. El retorno logarítmico esperado para 20 años sería (20)
(0,1) = 2,0. Este es también el retorno logarítmico de la mediana, ya que los retornos logarítmicos se
distribuyen normalmente y, por lo tanto, la media es igual a la mediana.

Fig. 3.3. Dos simulaciones independientes de una caminata aleatoria

El rendimiento bruto promedio de 20 años en geométrica (GRW) con μ = 0,1 y σ = 0,2 (líneas más finas y discontinuas). Las
medianas se muestran como curvas gruesas y sólidas. Las medias se muestran
nuestro ejemplo es exp(2) = 7,38. Si el precio como una curva discontinua gruesa en el caso de los precios distribuidos
de las acciones comienza en $ 100, entonces lognormalmente, la media no es igual a la mediana.

el precio medio después de 20 años es de $

738. El precio esperado después de 20 años
es $100exp {(20)(0,1)+(20)(0,2)2/2} = $1.102.

Los cuantiles de la distribución de devolución

a 20 años se pueden encontrar utilizando la
normalidad del rendimiento logarítmico. Ver
problema 3.

La Figura 3.3 muestra dos simulaciones

independientes de 20 años de un recorrido
geométrico aleatorio con valores de μ y σ
como en el Ejemplo 3.6. Los precios
comienzan en 100 en ambas simulaciones.
Observe que las dos series de rendimientos
logarítmicos parecen bastante diferentes. Sin
embargo, los precios logarítmicos y los
precios parecen mucho más similares. La
razón es que ambos tienen μ = 0,1 que a largo plazo da una tendencia ascendente que es la misma en
ambas simulaciones. En los gráficos, también se muestran las medianas de los rendimientos logarítmicos,
los precios logarítmicos y los precios.

2.2.6. ¿Se distribuyen normalmente los retornos logarítmicos?

Hay varias formas de verificar si realmente los retornos logarítmicos se distribuyen normalmente. Una forma
es mirar una gráfica de probabilidad normal de los retornos logarítmicos.

El gráfico de probabilidad normal es un gráfico de la muestra de los cuantiles frente a los cuantiles de la
distribución N (0, 1). Si la gráfica es aproximadamente una línea recta, la muestra aparece normalmente
distribuida.

Otro método para verificar la normalidad es

observar la asimetría y la curtosis del retorno
logarítmico para ver si sus valores están cerca
de los de la distribución normal. La tabla 1.1
de Campbell et al. (1997, p. 21) da Sk y K – 3.
Fig. 3.4. Ingresos diarios de GE. El primer gráfico son los precios. El
segundo y el tercero son los retornos netos y los retornos logarítmicos. El
cuarto gráfico es un gráfico de probabilidad normal de retornos logarítmicos.
La trama final es de los resultados absolutos del retorno logarítmico; hay un
diagrama de dispersión suave para determinar si la volatilidad es constante.

8
Para varios índices de mercado y acciones comunes. En esa mesa, Sk generalmente es cerca de cero, lo
que indica que los retornos logarítmicos no están muy sesgados. Sin embargo, el exceso de curtosis suele
ser bastante grande para los rendimientos diarios, por ejemplo, 34,9 para un índice de valor ponderado, y
positivo, aunque no tan grande para los rendimientos mensuales, por ejemplo, 2,42 para el índice de valor
ponderado. La gran curtosis de los rendimientos diarios indica que son de cola gruesa.

Una gráfica de probabilidad normal puede complementarse con una prueba de normalidad, por ejemplo, la
prueba de Shapiro-Wilk, Anderson-Darling, Cramér-von Mises o Kolmogorov-Smirnov.

Ejemplo 7. (GE diario devuelve). Para ilustrar la verificación de la normalidad, utilizamos los rendimientos
diarios para las acciones ordinarias de GE desde diciembre de 1999 hasta diciembre de 2000. La Figura 3-4
muestra gráficos de los precios, rendimientos, rendimientos de logarítmicos y un gráfico de probabilidad
normal de los rendimientos logarítmicos. También hay un gráfico de la volatilidad que se discute más
adelante. Como se puede ver en esta figura, los retornos R y los logarítmicos r son muy similares. La gráfica
normal que se muestra en la segunda fila, la segunda columna es aproximadamente lineal, lo que indica al
menos una normalidad aproximada.

Std. Uncorrected Coeff. Sum Corrected Std. Erro

N Mean Skewness Variance Kurtosis
Deviation SS Variation Observations SS Mean
252 -0,0000115 0,01758546 -0,1500695 0,07762136 -152954,42 -0,0028973 0,00030925 0,14401017 0,0776213 0,0011077

Kolmogorov- Cramer-von Anderson-

Test Shapiro-Wilk
Smirnov Mises Darling
W D W-Sq A-Sq
Statistic 0,994705 0,041874 0,068111 0,399967
Pr < W Pr > D Pr > W-Sq Pr > A-Sq
P. Value
< 0,1500 > 0,2500 > 0,2500 > 0,2500

La muestra de los retornos logarítmicos tiene una media, desviación estándar, asimetría y exceso de
curtosis muestral de -0,0000115; 0,0176; -0,15; 0,144, respectivamente. Los valores de la asimetría y el
exceso de curtosis de la muestra están cerca de cero y sugieren que el retorno logarítmico se distribuye de
manera aproximadamente normal de acuerdo con la gráfica normal.

Las pruebas de normalidad de Shapiro-Wilk, Fig. 3.5. Five independent geometric random walks and GE daily
Kolmogorov-Smirnov, Cramér-von Mises y log returns. The geometric random walks have the same expected
log return, volatility, and starting point as the GE log returns.
Anderson-Darling tienen valores de p de 0,15 o
más. Como cada valor p supera 0,1, cada prueba
aceptaría la hipótesis nula de normalidad con un
α = 0,1 y, por supuesto, es menor, que un α =
0,05.

2.2.7. ¿Los rendimientos logarítmicos

diarios son parecidos a un paseo
aleatorio geométrico?

La Figura 3.5 muestra cinco simulaciones de

paseos geométricos independientes con los
mismos parámetros que los retornos logarítmicos
diarios de GE. Note que los paseos aleatorios
geométricos parecen tener "patrones" y "impulso"
aunque no los tengan. Los retornos logarítmicos
de GE son similares a los paseos aleatorios
geométricos.

Con solo un año de datos, es difícil distinguir entre un paseo aleatorio y un paseo aleatorio geométrico.

9
La figura 3.6 muestra tres series de tiempo Fig. 3.6. Three independent simulated price series. On left: log
simuladas independientes. Para cada par, el prices. On right: prices.

precio logarítmico (un paseo aleatorio) se traza a

la izquierda, mientras que la serie de precios (un
paseo aleatorio geométrico) se traza a la
derecha. Note que el precio y las series de
precios logarítmicos en cada par parecen
similares. Sin embargo, existen diferencias
sutiles entre los precios y los precios
logarítmicos, especialmente porque los precios
se vuelven menos volátiles a medida que se
acercan a un momento en que los precios
logarítmicos tienen una volatilidad constante.

El modelo de caminata aleatoria geométrica es

preferido que el modelo de caminata aleatoria
por ser más realista, ya que la caminata aleatoria
geométrica implica precios no negativos y
retornos netos que son al menos -1.

En la Figura 3.5, se puede observar que las

caminatas aleatorias geométricas pueden dar la
apariencia de tener impulso y tendencias. El
impulso significa que una vez que los precios comienzan a subir o bajar, tienden a seguir haciéndolo. Esto
da lugar a una tendencia ascendente o descendente. La trama superior derecha parece tener un impulso
hacia abajo y la trama derecha media parece tener un impulso hacia arriba. Sin embargo, sabemos que, de
hecho, no hay impulso en ninguna de estas series simuladas ya que se simularon para tener pasos
independientes. El hecho de que exista un impulso en los precios de las acciones reales sigue siendo un
tema de considerable debate, gran parte resumido por Shefrin (2000).

Esta simple comparación gráfica de los precios de GE con los paseos aleatorios geométricos no es, por sí
sola, mucha evidencia a favor de la hipótesis de la caminata aleatoria geométrica. Se necesita una
comparación más exhaustiva para determinar si los precios de GE son consistentes con la hipótesis de
caminata aleatoria geométrica. Esta hipótesis implica que los resultados del retorno logarítmico son
mutuamente independientes y, por lo tanto, no están correlacionados. Por lo tanto, debemos verificar si hay
evidencia de que los retornos logarítmicos estén correlacionados. Si no encontramos tal evidencia, entonces
tenemos más razones para creer la hipótesis de la caminata aleatoria geométrica. Volvemos a este tema en
el Capítulo 4 después de haber estudiado los métodos de las series de tiempo para detectar la correlación.
El resultado es que el análisis de series de tiempo muestra al menos alguna desviación del comportamiento
de caminata aleatoria. En el Capítulo 14 sobre finanzas del comportamiento, encontramos más evidencia
contra la hipótesis de la caminata aleatoria. A pesar de esta evidencia, el modelo de caminata aleatoria
geométrica todavía se usa ampliamente, quizás debido a la falta de una alternativa.

2.3. Orígenes de la hipótesis del paseo aleatorio.

Muchos estudios, comenzando con Bachelier (1900) han llevado al modelo de caminata aleatoria y solo
unos pocos se mencionan aquí. Gran parte de este trabajo aborda la cuestión de si los retornos son
predecibles. Hay dos clases de métodos para intentar pronosticar rendimientos, análisis fundamental y
análisis técnico.

2.3.1. Análisis fundamental.

10
El análisis fundamental es practicado por analistas de valores que examinan los datos contables, entrevistas
a los administradores y analizan los pronósticos económicos, las tasas de interés y las tendencias políticas.
Su objetivo final es predecir las ganancias futuras de las acciones, que determinan el valor fundamental de
una acción.

En 1933, Alfred Cowles publicó “¿Pueden pronosticar los pronosticadores del mercado de valores?” El
artículo apareció en la nueva revista Econometrica.5

Cowles analizó los antecedentes de

• 16 servicios financieros líderes que proporcionaron a sus suscriptores listas seleccionadas de acciones
comunes;
• Compras y ventas de acciones por parte de 20 compañías líderes de seguros contra incendios;
• 24 publicaciones que incluyen declaraciones de servicios financieros, semanarios financieros y cartas
bancarias; y
• Editoriales en The Wall Street Journal por William Peter Hamilton, un expositor de la "Teoría de Dow",
debido a Charles Dow (el Dow de Dow-Jones). La teoría de Dow comparó los precios de las acciones
con las mareas de las olas del océano. Las mareas fueron una metáfora para explicar el "impulso del
precio".

Cowles descubrió que solo 6 de los 16 servicios financieros habían logrado alguna medida de éxito. Incluso
el mejor récord no se puede atribuir definitivamente a la habilidad en lugar de la suerte. Se necesita un
análisis estadístico para llegar a tal conclusión. La hipótesis nula para probar es que el récord de un inversor
no es mejor de lo que se esperaría por casualidad. En 1944, Cowles publicó un nuevo estudio con
básicamente las mismas conclusiones.6

Fama (1965) corroboró las conclusiones de Cowles cuando descubrió que seleccionar las existencias
mediante un análisis fundamental no parece ser mejor que elegirlas al azar, quizás utilizando un tablero de
dardos con The Wall Street Journal. Por supuesto, la buena administración, las tendencias económicas
favorables, etc., influyen en los precios de los activos, pero Fama afirmó que esta información ya
está plenamente reflejada en los precios de las acciones porque los mercados reaccionan
instantáneamente a la información.

El análisis de activos puede ser esencial para que las acciones tengan un precio correcto, pero,
irónicamente, el resultado del análisis de activos es que hay pocas discrepancias entre los precios actuales
y los valores de las acciones y, por lo tanto, pocas oportunidades de beneficiarse de un análisis
fundamental. William Sharpe discutió el antagonismo de los inversionistas profesionales con las teorías de
paseo aleatorios de Fama y otros académicos. Afirmó que “Interesantemente, los economistas profesionales
parecen pensar más como los inversionistas profesionales que otros inversionistas profesionales”. 7 Lo que
Sharpe está diciendo aquí es que los economistas profesionales creen que los inversores profesionales son
tan buenos que las acciones tienen un precio adecuado, mientras que los inversores profesionales piensan
que otros inversores profesionales son lo suficientemente incompetentes como para que existan ofertas que
esperan ser compradas por unos pocos inversores inteligentes como ellos.

No hay duda de que si uno puede ganar dinero en el mercado de valores. A largo plazo, las acciones han
superado a los bonos que han superado a las cuentas de ahorro. La pregunta es más bien si alguien puede
“ganarle al mercado”. “Vencer al mercado” significa seleccionar una cartera que supere a un índice de
mercado como el S&P500. El rendimiento superior no debe explicarse como razonable, ya que es debido al

5
Econometrica es ahora el líder en econometría, que es el campo del modelado empírico y el análisis de datos económicos.
6
This material on Cowles was adopted from Bernstein (1992).
7
Bernstein (1992)

11
azar. También debería haber alguna corrección por el grado de riesgo que ha asumido el individuo, por
unas acciones más riesgosas, es decir, a las acciones con una desviación estándar más alta de la
distribución de la rentabilidad, ya que generalmente tienen mayores rendimientos esperados para
compensar a los inversores por asumir riesgos.8 Los mayores rendimientos esperados de las acciones más
riesgosas es debido a las llamadas primas de riesgo. Si un inversor elige acciones de riesgo, entonces su
expectativa es mayor que si selecciona una cartera de menor riesgo. La pregunta es si su rendimiento
esperado es mayor que el de un índice de mercado con el mismo nivel de riesgo. 9

2.3.2. Análisis técnico.

El análisis técnico es practicado por los llamados analistas técnicos o chartistas. Los analistas técnicos
creen que los precios futuros pueden predecirse a partir de patrones pasados. El análisis técnico utiliza solo
datos pasados sobre los precios de las acciones y el volumen de operaciones para predecir los
rendimientos futuros.

Una visión muy escéptica, aunque en mi opinión precisa, del análisis técnico se encuentra en “Un camino al
azar en Wall Street” de Burton Malkiel, profesor de economía en Princeton. Este libro es un bestseller y ha
sido revisado varias veces. Contiene muchos consejos sensatos para el pequeño inversor.

Malkiel describe muchos de los aspectos técnicos, incluida la teoría de Dow, el sistema de filtros y el
sistema de fuerza relativa. Este último aconseja comprar acciones que hayan funcionado bien
recientemente. También está la teoría del dobladillo que predice los cambios en los precios por la longitud
de los vestidos de las mujeres y el indicador del Super Bowl que pronostica el mercado según si el ganador
del Super Bowl fue un ex equipo de la AFL.

Luego está la extraña lotería.10 Se basa en la lógica impecable de que una persona que siempre está
equivocada es una fuente confiable de información, simplemente lo que diga la persona. El supuesto de la
teoría de los lotes impares es que el comerciante de lotes impares es precisamente ese tipo de individuo
desafortunado. Resulta que el extraño-lotter no es tan estúpido, después de todo. La investigación sugiere
que los extravagantes no son peores que el promedio. Sí, puede ganar un montón de dinero si puede
encontrar a un inversor que siempre está equivocado, pero encontrar a un inversor de ese tipo es tan difícil
como encontrar a uno que siempre tenga la razón. Si los precios de las acciones son correctos, como
sugiere la investigación empírica, no solo es imposible ganarle al mercado, excepto con buena suerte, sino
que es imposible hacerlo peor que el mercado, excepto con mala suerte. 11

Las teorías técnicas parecen caer en desgracia rápidamente, pero las nuevas aparecen rápidamente. Los
mencionados anteriormente son viejos y probablemente ya no tienen muchos adeptos.

¿Por qué son tan atractivas las teorías técnicas?

La psicología cognitiva sugiere una respuesta a esta pregunta. La naturaleza humana encuentra difícil
aceptar que muchos patrones interesantes ocurrirán simplemente por casualidad. Gilovich (1993) cree que
tenemos una tendencia innata a encontrar patrones. Normalmente, este deseo de organizar los hechos en
teoría nos sirve bien. Sin embargo, esta necesidad de encontrar la estructura es tan fuerte que encontramos
patrones incluso cuando no existen. Nuestra tendencia natural es sobreponer y generalizar a partir de

8
This is somewhat an overs implication and is corrected later. As explained in Chapter 7, it is only the risk that cannot be removed by
holding a diversified portfolio that should have a risk premium
9
Finding a market index with a given level of risk is unlikely to be possible, but we show in Chapter 7 that one can achieve any desired
level of risk with a portfolio consisting of a market index and a risk-free asset.
10
An odd-lot is a block of than usually traded only a of less than 100 shares, usually traded only by a small investor.
11
The random walk hypothesis implies stupidity cannot lead you to pick “bad Stocks” any more than genius can lead you to pick “good
stocks.” According to that hypothesis, neither good nor bad stocks exist. However, stupidity can get you a larger risk than necessary if
you fail to diversify explained in Chapters 5 and 7. There are no “bad stocks” but there are poor portfolios.

12
patrones meramente aleatorios. Por ejemplo, los fanáticos de los deportes tienen muchas teorías sobre las
rachas en el atletismo, por ejemplo, la teoría de la "mano caliente" del baloncesto. Las pruebas exhaustivas
de las actuaciones de los jugadores de baloncesto no han mostrado evidencia de rachas más allá de lo que
se esperaría por pura casualidad.12 El punto es que las rayas en los mercados financieros ocurrirán por
casualidad, pero no se puede ganar dinero en base a rayas aleatorias ya que es poco probable que
continúen.

Eugene Fama es uno de los principales economistas financieros de hoy, aunque muchos no están de
acuerdo con sus opiniones firmes. Peter Bernstein, en su libro Capital Ideas, esboza una biografía de Fama.
En la universidad, Fama ganó dinero extra trabajando para Harry Ernst, que publicó un boletín de bolsa. El
trabajo de Fama era encontrar señales útiles de compra y venta. Ernst creía que las tendencias, una vez en
su lugar, continuarán debido al "impulso de los precios". Al estudiar los datos del precio de las acciones,
Fama pudo encontrar reglas comerciales que parecían rentables, pero cuando se probaron con datos
nuevos, no pudieron superar al mercado en general.

Aunque no se dio cuenta en ese momento, Fama se encontraba con uno de los problemas más importantes
en estadísticas y minería de datos. Cuando miramos los datos, a menudo encontramos patrones. La
pregunta es si los patrones se deben simplemente al azar o, en cambio, son un signo de algo que es más
sistemático y, por lo tanto, seguirá presente en los nuevos datos. Si desarrollamos una regla comercial o
ajustamos un modelo estadístico a los datos, debemos decidir si la regla o el modelo deben ser lo
suficientemente flexibles como para "ajustarse" a los patrones de los datos. Si los patrones son simplemente
aleatorios, entonces ajustarlos se llama sobreajuste y es algo malo de hacer. El problema es que un modelo
overfit no generaliza los datos nuevos, ya que los datos nuevos tendrán diferentes patrones aleatorios. Sin
embargo, los patrones sistemáticos volverán a aparecer en nuevos datos, por lo que queremos que
nuestros modelos los incluyan. Un modelo que pierde patrones debido a efectos sistemáticos se dice que
está por debajo de la organización. Los estadísticos y los mineros de datos ahora entienden el sobreajuste y
el subequipo muy bien y han desarrollado métodos para lograr un ajuste correcto, que filtra el ruido aleatorio
pero retiene los patrones sistemáticos lo mejor posible. Desafortunadamente, una apreciación del problema
del exceso de equipamiento parece no haber encontrado su camino en la cultura popular a pesar de su
importancia para los fenómenos cotidianos, como el mercado de valores.

Las frustraciones de Fama lo inspiraron a ir a la escuela de posgrado, y en 1964 obtuvo un doctorado en la

Universidad de Chicago. Fama se quedó en Chicago, donde enseñó finanzas en 1965, publicó "El
comportamiento de los precios del mercado de valores" (su tesis) en el Journal of Business. Una versión
menos técnica se publicó más tarde como "Random Walks in Stock Market Prices" en el Financial Analysts
Journal. Fama (1965) declaró del análisis técnico que "el chartista debe admitir que la evidencia a favor del
modelo de caminata aleatoria es a la vez consistente y voluminosa, mientras que se publica muy poco en la
discusión de pruebas empíricas rigurosas de varias teorías técnicas".

2.4. Hipótesis de Mercados Eficientes (EMH).

A medida que se acumulaba evidencia de que los precios de las acciones fluctuaban como paseos
aleatorios, el economista buscó una teoría de por qué sería así. En 1965, Paul Samuelson publicó un
documento titulado “Prueba de que los precios adecuadamente anticipados fluctúan de manera
aleatoria”. La idea de Samuelson es que el comportamiento de caminata aleatoria se debe a la misma
eficiencia del mercado.

12
See Gilovich, Vallone, and Tversky (1985). I don't mean to imply that there are no streaks in sports. For example, I do not know of
any investigation of batting slumps in baseball and these my very well be nonrandom. In the case of basketball, however, there is a
strong belief in the hot hand despite a lack of evidence. Sports fans will find patterns even if they are not there.

13
El modelo de caminata aleatoria geométrica sugirió la hipótesis de mercado eficiente (EMH) que afirma que
toda la información valiosa se refleja en los precios del mercado; los cambios en los precios se producen
debido a la nueva información no anticipada.

Se dice que un mercado es eficiente en información si los precios "reflejan completamente" la información
disponible. Un mercado es "eficiente con respecto a un conjunto de información" si los precios no hubieran
cambiado al revelar esa información a todos los participantes. Esto implica que es imposible obtener
beneficios económicos al negociar sobre la base de este conjunto de información. Esta idea es la clave para
probar (empíricamente) la EMH.

Samuelson propuso que, en un mercado eficiente, los precios cambiarán solo cuando haya información
nueva e imprevista. Dado que la información, y por lo tanto los cambios en los precios, no están anticipados,
los cambios en los precios serán aleatorios. El mercado no reacciona a los eventos que se espera que
ocurran, porque los precios ya reflejan lo que se espera. Por ejemplo, en 2001 los precios de las acciones
cayeron cuando los mercados reabrieron después de los ataques sorpresa del 11 de septiembre. Unas
semanas más tarde, cuando Estados Unidos comenzó a bombardear a los talibanes, hubo poca o ninguna
reacción en el mercado, tal vez porque los inversionistas ya creían que se estaba produciendo el atentado.

2.4.1. Tres tipos de eficiencia.

Hay tres formas de eficiencia de mercado:

• Eficiencia de forma débil: el conjunto de información incluye solo el historial de precios o rendimientos;
• Eficiencia semi fuerte: el conjunto de información incluye toda la información que está disponible
públicamente; y
• Eficiencia de forma sólida: el conjunto de información incluye toda la información de eficiencia de
forma sólida conocida por cualquier participante del mercado.

La eficiencia de forma débil implica que el análisis técnico no generará ganancias. La eficiencia de forma
semi-fuerte implica que el análisis fundamental no ayudará al inversionista.

2.4.2. Pruebas de eficiencia del mercado.

La investigación de Fama, Cowles y otros investigadores respalda el modelo de caminata aleatoria

geométrica y la hipótesis de mercado eficiente (prueba las diversas formas de la EMH y su trabajo apoya la
forma semi-fuerte y quizás la fuerte de la EMH). Aunque el trabajo más reciente ha sugerido problemas con
estos modelos, la caminata aleatoria geométrica y el movimiento browniano geométrico son modelos muy
utilizados y la eficiencia del mercado todavía tiene partidarios (Fama, 1998).

En su libro, Investments, Bodie, Kane y Marcus (1999) discuten algunos de los temas involucrados al probar
la EMH. Uno es el problema de la magnitud. Nadie cree que los mercados sean perfectamente eficientes.
Las pequeñas ineficiencias pueden ser importantes para el gerente de una gran cartera. Si uno está
administrando una cartera de $ 5 mil millones, superar al mercado en un 0,1% resulta en un aumento de $ 5
millones en ganancias. Esto claramente vale la pena lograrlo. Sin embargo, es probable que ninguna prueba
estadística cubra una ineficiencia del 0,1% en medio de las fluctuaciones típicas del mercado, ya que estas
últimas son grandes. Por ejemplo, el índice S & P500 tiene una desviación estándar del 20% en los
rendimientos anuales.

Otro tema es el sesgo de selección. Si hay inversores que pueden ganarle constantemente al mercado,
probablemente lo mantengan en secreto. Solo podemos probar la eficiencia del mercado probando métodos
de análisis técnico o fundamental que se publican. Estos pueden ser los que no revelan ineficiencias en el
mercado.

14
Otro problema es que, para cualquier período de tiempo, por casualidad habrá algunos gestores de
inversiones que ganarán constantemente en el mercado. Como ejemplo, supongamos que una cartera
de acciones elegidas al azar tiene un 50% de probabilidad de superar al S & P500 en cualquier año.
Supongamos que uno elige una cartera al azar en cada uno de los 10 años y supone que los resultados son
independientes de un año a otro. Entonces la probabilidad es solo 2 -10 = 0,000976, aproximadamente uno de
cada mil, que superará al mercado en 10 años consecutivos. Sin embargo, si cada 2000 personas eligen
carteras durante 10 años consecutivos, es probable que al menos una supere al mercado en los 10 años, ya
que la cantidad esperada de personas que superan el mercado en los 10 años es 2000 × 2-10 = 1.95. La
probabilidad de que nadie supere al mercado en cada uno de los 10 años es (1-2 -10)2000 = 0,1417.13 Si una
persona entre los 2000 supera al mercado en cada uno de los 10 años, sería un error decir que esta
persona tiene habilidades para lanzar cabezas.

Ahora aplique este razonamiento a los mercados financieros reales. Magellan Fund, de Peter Lynch,
superó al S & P500 en 11 de 13 años que finalizaron en 1989. ¿Lynch era un administrador de inversiones
calificado o simplemente tuvo suerte? Si realmente era experto, entonces esto es evidencia contra la forma
semi-fuerte de la EMH. Sin embargo, hay tantos fondos mutuos, que parece probable que al menos uno lo
haría tan bien como el de Lynch. Tal vez él era tan afortunado.

La medida en que los rendimientos de las acciones son predecibles sigue siendo un área de intenso estudio
y ciertamente no hay consenso. En un extremo, algunos académicos que estudian los datos de los
mercados financieros han llegado a la conclusión de que los analistas de seguridad no pueden hacer nada
mejor que los monos con los ojos vendados que lanzan dardos al Wall Street Journal. El público en general
parece tener una firme fe en que vale la pena escuchar a los analistas de seguridad, al menos cuando los
analistas no tienen conflictos de intereses que los disuadan de expresar sus verdaderas opiniones.

La financiación del comportamiento es un tema relativamente nuevo, que comenzó en la década de 1980 y
combina la psicología cognitiva y la economía. Los hallazgos de las finanzas del comportamiento a menudo
contradicen la hipótesis del mercado eficiente, aunque los partidarios de la hipótesis del mercado eficiente
como Fama (1998) atribuyen estos resultados a fallas en los estudios o la posibilidad. Estudiamos finanzas
del comportamiento más adelante en el capítulo 14.

3. Notas bibliográficas.

Aprendí mucho al leer los dos libros de Bernstein, Capítulo 12 de Bodie Kane y Marcus (1999). Bodie, Kane
y Marcus (1999) y Sharpe, Alexander y Bailey (1999) son buenas introducciones a la eficiencia del mercado
y la hipótesis de la caminata aleatoria. Una discusión más avanzada de la hipótesis de la caminata aleatoria
se encuentra en el Capítulo 2 de Campbell, Lo y MacKinlay (1997). La notación de retornos utilizada en este
capítulo sigue a Campbell, 1.0 y MacKinIay (1997). Fama (1970, 1991) revisa mucha evidencia empírica de
la eficiencia del mercado. Fama (1998) aborda los recientes desafíos de EMH. Gilovich (1993) es una
interesante discusión de los errores de la percepción e interpretación humana y la teoría de la mano caliente
se analiza en su Capítulo 2 sobre la percepción errónea de datos aleatorios. Los hallazgos recientes que
contradicen la eficiencia del mercado se analizan en Shefrin (2000) y Shleifer (2000).

13
This is the binomial probability
( nx) p ( 1− p )
x n−x
with n = 2000, x = 0 and p = 2-10 = 1/1024

15