Página 1

DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ
DOCUMENTO DE TRABAJO N ° 340
DEPARTAMENTO
EXPLICANDO LOS DETERMINANTES DEL DE ECONOMÍA
FRECUENCIA DE LAS INTERVENCIONES DE TIPO CATÓLICA
PONTIFICIA UNIVERSIDAD DE CAMBIO DE? L PERÚ
Texto original
EN PERÚ USANDO COUNT MODELOS
Edgar Ventura y Gabriel Rodríguez DEPARTAMENTO DE ECONOMÍA DEPARTAMENTO DE ECONOMÍA

Sugiere una traducción mejor

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

DEPARTAMENTO DE ECONOMÍA

DEPARTAMENTO
DE ECONOMÍA

Página 2

DOCUMENTO DE TRABAJO N ° 340

EXPLICANDO LOS DETERMINANTES DEL

FRECUENCIA DE LAS INTERVENCIONES DE TIPO DE CAMBIO
EN PERÚ USANDO COUNT MODELOS

Edgar Ventura y Gabriel Rodríguez

Octubre de 2012

DEPARTAMENTO
DE ECONOMÍA

DOCUMENTO DE TRABAJO 340

http://www.pucp.edu.pe/departamento/economia/images/documentos/DDD340.pdf

Página 3

© Departamento de Economía - Pontificia Universidad Católica del Perú,

© Edgar Ventura y Gabriel Rodríguez

AV. Universitaria 1801, Lima 32 - Perú.

Teléfono: (51-1) 626-2000 anexos 4950 - 4951
Fax: (51-1) 626-2874
econo@pucp.edu.pe
www.pucp.edu.pe/departamento/economia/

Encargado de la Serie: Luis García Núñez

Departamento de Economía - Pontificia Universidad Católica del Perú,
lgarcia@pucp.edu.pe

Edgar Ventura y Gabriel Rodríguez

Explicación de los determinantes de la frecuencia del tipo de cambio

Intervenciones en Perú utilizando modelos de conteo
Lima, Departamento de Economía, 2012
(Documento de Trabajo 340)

PALABRAS CLAVE: Intervención Cambiaria, Frecuencia de Intervención,

Modelos de Conteo, Tipo de Cambio, Spread de Tasas de Interés.

Las opiniones y recomendaciones vertidas en estos documentos son responsabilidad de sus

autores y no representan necesariamente los puntos de vista del Departamento Economía.

Hecho el Depósito Legal en la Biblioteca Nacional del Perú Nº 2012-12866.

ISSN 2079-8466 (Impresa)
ISSN 2079-8474 (En línea)

Impreso en Cartolán Editora y Comercializadora EIRL

Pasaje Atlántida 113, Lima 1, Perú.
Tiraje: 100 ejemplares

Página 4

Explicando los determinantes de la frecuencia

de las intervenciones cambiarias en Perú utilizando
Contar modelos
Edgar Ventura Gabriel Rodríguez
Instituto de Estudios Peruanos Pontificia Universidad Católica del Perú

Resumen

Los determinantes de la frecuencia de las intervenciones del Banco Central (compras

y ventas) en el mercado cambiario peruano se analizan utilizando datos semanales
para el período de enero de 2001 a diciembre de 2010 utilizando modelos de datos de recuento.
Los resultados muestran que las desviaciones del logaritmo del tipo de cambio con
respecto a una tendencia a largo plazo, las intervenciones de la semana anterior (persistencia), la
Embig spread, el diferencial de las tasas de interés principales corporativas e interbancarias, y
el diferencial entre la tasa de interés en moneda nacional y extranjera es importante
determinantes.

Palabras clave: Intervención de tipo de cambio, Frecuencia de intervención, Conteo

Modelos, tipo de cambio, diferencial de tipos de interés.

Clasificación JEL: C22, C32, C35, E52, F31

Resumen

En este documento se analizan los determinantes de la frecuencia de interven #

ción del Banco Central de Reserva en el mercado cambiario Peruano (compras y
ventas). Se usan datos en frecuencia semanal para el periodo Enero 2001 hasta
Diciembre 2010 usando la metodología de modelos de conteo. Los resultados
mostrar que las desviaciones del logaritmo del tipo de cambio respecto de su
tendencia de largo plazo, las intervenciones del periodo anterior (persistencia),
el spread medido por el Embig, el spread entre las tasas de interés bancarias, y
el spread entre las tasas de interés doméstica y foránea son importantes deter #
minantes.

Palabras Claves: Intervención Cambiaria, Frecuencia de Intervención, Mod #

elos de Conteo, Tipo de Cambio, Spread de Tasas de Interés.
Clasificación JEL: C22, C32, C35, E52, F31

Página 5

Explicando los determinantes de la frecuencia de

Intervenciones cambiarias en Perú usando Count
Modelos 1

Edgar Ventura Gabriel Rodríguez 2

Instituto de Estudios Peruanos Pontificia Universidad Católica del Perú

1. Introducción
La última crisis financiera mostró que la inflación no es la única preocupación de
Bancos Centrales. Cuando las tasas de interés oficiales alcanzan su límite inferior, Central
Los bancos recurren a otros instrumentos no convencionales como los requisitos de reserva
o intervenciones en el mercado cambiario.
La intervención en el mercado cambiario es una característica del
régimen cambiario de flotación intermedia o administrada. Entre la
Las razones de esto son los altos costos que las frecuentes desviaciones en el intercambio
Tasa impuesta al comercio y la economía real, especialmente en las economías emergentes.
como el nuestro. En los últimos 6 años, ha habido un aumento en la frecuencia de
intervenciones cambiarias. Por ejemplo, ha habido grandes volúmenes
de intervención con niveles que alcanzan compras netas diarias de US $ 493,5 millones
(el 10 de julio de 2009) y ventas netas diarias de US $ 443,8 millones (a octubre
el 2 de 2008).
El objetivo de este documento es analizar los principales determinantes de la
frecuencia de intervenciones en el mercado cambiario por parte del peruano
Banco Central (BCRP) utilizando modelos de datos de conteo. Según el estado de BCRPos '
Las intervenciones cambiarias tienen el objetivo de reducir
volatilidad de la tasa. Uno de los propósitos de este documento es demostrar que
existen otras variables que determinan la frecuencia de intervención en el
mercado de divisas.
El tema económico a discutir tiene relevancia empírica, ya que este
Este tipo de análisis no se ha realizado anteriormente en Perú. El contri '
1 Este artículo está extraído de la Tesis de Edgar Ventura en el Departamento de Economía
de la Pontificia Universidad Católica del Perú. Agradecemos los comentarios de Paul Castillo sobre
una versión anterior de este artículo y también agradecemos a Sebastián Guevara por la traducción.
Los autores agradecen el apoyo financiero del Departamento de Economía de la Pontificia
Universidad Católica del Perú.
2 Dirección de correspondencia: Gabriel Rodríguez, Departamento de Economía, Pon '

tificia Universidad Católica del Perú, Av. Universitaria 1801, Lima 32, Lima,
Perú, Teléfono: + 511'626'2000 (4998), Fax: + 511'626'2874. Dirección de correo electrónico:
gabriel.rodriguez@pucp.edu.pe.

Página 6

La base de este trabajo reside en encontrar las principales variables que explican la
frecuencia de las intervenciones cambiarias de una manera que sea consistente
con los hechos estilizados de la economía peruana y porque la crisis financiera
sis ha mostrado la importancia de las medidas no convencionales como instrumentos
de la política monetaria.
El documento analiza el número de divisas semanales entre '
para el período que abarca desde enero de 2001 hasta diciembre de 2010. Entre
El conjunto de variables explicativas son: volatilidad del tipo de cambio, una medida de
la desviación del tipo de cambio de su tendencia a largo plazo, tasa de interés
diferenciales (como medida de riesgo) y otros indicadores de divisas
condiciones de mercado. La mayor parte de estos datos se obtienen del BCRP.
La variable dependiente es el número de días que el Banco Central en '
interviene cada semana. Dadas las propiedades de la variable, la más adecuada
La metodología es el uso de modelos de datos de conteo. Estos modelos asignan un distrib '
función de ución a la variable dependiente determinada por la variable independiente
variables, que influyen en el número de intervenciones esperadas.
El presente documento está organizado de la siguiente manera. La sección 2 presenta un '
Revisión de la eratura que define el concepto de intervención y su potencial.
determinantes, así como alguna evidencia empírica encontrada en otros países.
La sección 3 presenta la metodología relacionada con el 'modelo de datos de conteo'
Els como Poisson, Binomial negativo y Cero inflado. Análisis de la sección 4
los resultados de las estimaciones y explica el comportamiento y los determinantes
de las intervenciones cambiarias. La sección 5 presenta las conclusiones.

2. Revisión de la literatura
La intervención en el mercado de divisas es una característica de un intermediario o
régimen de tipo de cambio flotante administrado, según lo declarado por Tapia y Tokman
(2003). Esta póliza consiste en compras o ventas directas de moneda extranjera por
la autoridad monetaria en el mercado cambiario. Hay dos tipos
de intervención cambiaria, esterilizados y no esterilizados. En este último, cualquier
la compra o venta de moneda extranjera no se compensa con otras
operaciones, lo que genera un cambio en la base monetaria que a su vez
afecta la tasa de interés. Por lo tanto, la nueva tasa de interés incita al cambio
tasa para pasar a un nuevo nivel determinado por arbitraje. Alternativamente, esterilizado
Las intervenciones implican la compra y venta de activos denominados en el hogar.
moneda. En este caso, el objetivo es desacoplar el tipo de cambio y el monetario.
política manteniendo la base monetaria y la tasa de interés estables.
La literatura sugiere que existen tres mecanismos de transmisión de

Página 7

Intervención esterilizada en el tipo de cambio. El primero es a través de un turno.

en la oferta relativa de activos locales y extranjeros, lo que incide en la
tipo de cambio de equilibrio; ver Domínguez y Frankel (1993) y Evans
y Lyon (2002).
El segundo mecanismo está relacionado con la teoría de la señalización, según
que una intervención proporciona información sobre la política monetaria futura, que
lleva a los agentes a ajustar sus posiciones en moneda local y extranjera (Mussa,
1981). Sin embargo, este mecanismo depende de la credibilidad de la Central
Banco, ya que de lo contrario los agentes pueden anticipar que las presentes decisiones
no ser coherente con acciones futuras. En este caso, el intercambio de equilibrio
se cambia la tasa.
El tercer mecanismo es un caso particular del anterior. Aquí
se supone que el tipo de cambio de mercado puede desviarse del equilibrio
debido a la presencia de especuladores (Frankel y Rose, 1995). En este caso,
La intervención no cambia el tipo de cambio de equilibrio porque hay
sólo una desviación transitoria.
En un enfoque diferente, Ito (2002) separa las divisas entre
en cuatro tipos de pólizas. Los dos primeros están relacionados con el plean
contra el mecanismo del viento: en un tipo el objetivo es cambiar el diez '
mientras que, por el otro, sólo se reduce la volatilidad del tipo de cambio.
intentó. Los otros dos tipos de intervención están relacionados con el alegato
el mecanismo de viento. Uno tiene como objetivo asegurarse de que la corriente
La tendencia en el tipo de cambio continúa, y la otra busca acelerar
la convergencia hacia un nivel de equilibrio.
Baillie y Osterberg (1997) analizan las motivaciones para un intercambio
política de intervención tarifaria. Según su opinión, el objetivo de la intervención
es establecer un mercado de divisas estable y dejar que el dólar se depre '
ciar hacia un nivel de equilibrio. Además, estos autores afirman que
no existe un objetivo de volatilidad, pero que las autoridades tienen interés en
calmar los mercados rebeldes; véase también Neely (2008).
Al respecto, Arena y Tuesta (1999) afirman que el tipo de cambio en '
La intervención puede explicarse por la existencia de efectos de vagones en el
mercado de divisas como resultado de la especulación privada. En consecuencia,
La intervención cambiaria debería contrarrestar esta tendencia. Por otra parte,
Calvo y Reinhart (2000), luego de analizar 154 casos, aportan evidencia de que
hay un claro rechazo a un tipo de cambio completamente libre. Ellos atribuyen
este miedo a flotar hacia los graves problemas que la falta de credibilidad del
Banco Central podría dar lugar a. Si no hay confianza en la moneda
autoridad, no tiene poder ni influencia. En este caso el mercado está dominado
por especuladores.

Página 8

Para el caso peruano, Carranza, Cayo y Galdón'Sánchez (2003) encuentran

evidencia de que las depreciaciones del tipo de cambio afectan severamente la decisión de inversión
de las empresas que mantienen deuda denominada en dólares. Esto se debe a cuatro
razones: el alto grado de dolarización del pasivo que crea un equilibrio
efecto hoja en la economía, el fuerte canal de préstamos bancarios que refuerza
efecto balance, una contracción de la demanda que afecta gravemente al
ventas de las empresas y escasa diversificación del sector exportador. Ahí'
Por lo tanto, los autores están interesados en analizar la forma en que el tipo de cambio
la volatilidad tiene un efecto en la economía peruana al utilizar el estado financiero '
de 164 empresas para el período 1994-2001. Los resultados muestran evidencia
de un efecto de balance negativo, lo que les lleva a centrarse en medidas
que la autoridad monetaria puede tomar para abordar esta situación.
Existen diversos autores que se ocupan de determinantes o comportamientos de la
intervenciones monetarias de las autoridades en el mercado cambiario. por
Por ejemplo, Arena y Tuesta (1999) estudian el efecto de las variables monetarias
sobre la probabilidad de intervención. Sus resultados muestran, mediante el uso de una logística
modelo de probabilidad, que el BCRP no subordina la política monetaria a un
objetivo de tipo de cambio.
Ito (2002) propone una función para la reacción de intervención de los japoneses
autoridad monetaria. En este caso, los resultados muestran que el tipo de cambio intervino '
es una función de la variación diaria del tipo de cambio del yen al dólar,
entre otros indicadores, y que la intervención en Estados Unidos puede
pronta intervención en Japón al día siguiente.
En otro estudio, utilizando un modelo Tobit, Kamil (2008) utiliza un método de dos pasos
Método para estimar la dinámica de intervención para el caso de Colombia.
El autor afirma que la intervención está motivada por dos factores: la
cambio porcentual en el tipo de cambio, y la desviación porcentual de
un tipo de cambio de equilibrio. En una segunda etapa, Kamil (2008) estima un
Modelo GARCH para el tipo de cambio peso-dólar y encuentra que el cambio
La tasa de intervención ha sido eficaz durante determinados períodos de la muestra.
Un estudio relacionado con el presente artículo es Hoshikawa (2008), que se centra
sobre la relación entre la frecuencia de intervención y la volatilidad
del tipo de cambio. El interés surge del hecho de que los japoneses
El caso presenta una distribución de la intervención cambiaria que es alta en
los extremos y los bajos en el medio para el período 1991-2005. Los resultados
muestran que la baja frecuencia tiene un efecto en el tipo de cambio a largo plazo, y
esa alta frecuencia tiende a reducir la volatilidad. El autor asocia estos
resultados con los objetivos de la autoridad monetaria (ya sea el nivel o el
volatilidad del tipo de cambio).
Por otro lado, Echevarría, Vásquez y Villamizar (2009) evalúan

Página 9

los determinantes de las compras de divisas para el caso colombiano en el 2000

período r2008. Según los resultados de las estimaciones de Tobit, los principales
Los determinantes de la intervención son las revalorizaciones diarias, la disminución de la inflación.
presiones y tendencias excesivas en el tipo de cambio.
Finalmente, Humala y Rodríguez (2010) evalúan si una reducción en
La volatilidad del tipo de cambio en Perú se debe a una intervención u otra explicación
variables. La metodología elegida es un Markov Switching autorregresivo
modelo vectorial, y las variables explicativas son las variaciones del tipo de cambio, neto
compras del BCRP, desviaciones del tipo de cambio de su tendencia de largo plazo,
cambios en la posición internacional neta del BCRPos y variaciones en la tasa de interés
diferenciales. En una muestra de datos mensuales que cubren el período 1994-2007,
dos regímenes claramente diferenciados en cuanto a compras netas y tipo de cambio
se identifica la volatilidad.

3. Metodología
El presente trabajo estima la probabilidad de intervención del tipo de cambio
en función de un conjunto de variables explicativas, como la desviación de la
tipo de cambio de su tendencia a largo plazo, volatilidad del tipo de cambio, riesgo país,
y la diferencia en las tasas de interés interbancarias y corporativas preferenciales entre
moneda nacional y extranjera.
La variable dependiente es el número de veces (días) que BCRP en '
interviene en el mercado de divisas cada semana comprando o vendiendo
dolares Usando información de volúmenes de intervención, una observación puede ser
clasificado como compra o venta de moneda en el mercado cambiario. Dado
la naturaleza de la variable dependiente, los modelos más adecuados para este tipo
de análisis son los llamados modelos de conteo. Entre los mod 'de uso frecuente
Els son el modelo de regresión de Poisson (PRM) y el binomio negativo
Modelo de regresión (NBRM). Estos modelos asumen una variable endógena
como resultado de una función de probabilidad de Poisson o binomial negativa, respec '
tivamente. Otro modelo utilizado es el llamado modelo Zero Inflado (ya sea
Poisson rZIP; o Binomial Negativo rZINB), que es relevante cuando el
La variable dependiente contiene un número elevado de ceros. En el presente
estudiar la variable dependiente comparte esta propiedad, lo que justifica la utiliza '
ción de este tipo de modelos. En todos los casos, las estimaciones las realiza el
método de máxima probabilidad. Los modelos mencionados se describen en el
siguiendo líneas basadas en Cameron y Trivedi (2005, 2010), Greene (2003),
Long (1997), Long y Freese (2006) y Winkelmann (2008), entre otros
ers referencias.

Página 10

3.1 El modelo de regresión de Poisson

La distribución de posiciones puede derivarse de un proceso estocástico simple

conocido como proceso de Poisson, donde el resultado es el número de veces que
Algo ha sucedido asumiendo que los eventos son independientes.
Sea y una variable aleatoria que indica el número de veces que un evento ha
ocurrido durante un intervalo de tiempo. Decimos que y tiene una distribución de Poisson
*, + "- μ # μ y
con parámetro μ> & if * 0 # y # μ $) y!
, para y) &, ', (...; donde el
el parámetro μ se puede considerar como el recuento esperado 3 .
En el PRM, el número de eventos y tiene una distribución de Poisson con una
media condicional que depende de un conjunto de características individuales (x i )
según el modelo estructural: μ i ) E # y i #x i $) .1 / # x i ß $. Dado que y es un
count, solo puede tener valores enteros no negativos. Por tanto, el probabil '
La calidad de un recuento dado x i viene dada específicamente por la siguiente expresión:
y yo

* 0 # y i #x i $) .1 / # μ yo $ μ
yo
, (1)
y yo "

donde la variavle y, en nuestro caso, es el número de veces (por semana) que

el BCRP interviene en el mercado cambiario. Como en el distrito de Poisson '
bution, en el PRM la media y la varianza son iguales y se conoce
como equidispersión. En la práctica, las variables de recuento a menudo tienen una varianza mayor
que la media que se conoce como sobredispersión y muchos modelos han sido
desarrollado en un intento de explicarlo.
Para estimar este modelo, la función de verosimilitud es

L # ß # y, x i $)! norte
i (& * 0 # yi# μi$
y yo
yo
)! norte i (& .1 / # μyi $yo μ" , (2)

donde μ i ) .1 / # x i ß $. Después de tomar logaritmos, la maximización numérica puede

ser usado. El gradiente y el hessiano de la probabilidad se dan en Maddala
(1983). Dado que la probabilidad es cóncava globalmente, si se encuentra un máximo,
será único.
Una forma de interpretar los resultados es calcular las probabilidades preditadas
que se basan en la fórmula:

D * 0 # y) m # x $).1 / # 7μ $ 7μ m
. (3)
metro"
3 El parámetro μ se conoce como tasa, ya que es el número esperado de veces que
ha ocurrido un evento por unidad de tiempo.

Página 11

Es importante explicar la interpretación del estimador, ya que

es diferente en este contexto de la interpretación convencional. El inter '
La interpretación de los coeficientes se puede dividir de dos formas. Uno está relacionado con
la media, y la otra se asocia a la probabilidad de ocurrencia de
el evento que se analiza (intervención cambiaria); ver Long y Freese
(2006) para más detalles.
En el presente trabajo, la interpretación de los coeficientes está relacionada con
el cambio porcentual en la media. Para facilitar la interpretación, el coeffi '
Los clientes representarán el cambio porcentual en la intervención esperada cuando
las variables independientes tienen un cambio igual a su desviación estándar.
Una explicación del fracaso de la distribución de Poisson para ajustarse al
Los datos observados es que la tasa μ difiere entre individuos. Esto se conoce como
heterogeneidad. No tenerlo en cuenta en la tasa da como resultado una sobredispersión en
las distribuciones marginales del recuento. Una posible solución es introducir
heterogeneidad basada en características observadas. Otra solución es la
denominados modelos de regresión negativa.

3.2 El modelo de regresión binomial negativa

Dado que en la mayoría de las aplicaciones, la varianza condicional es mayor que la con '
Por lo general, el PRM rara vez se adapta a la práctica. Si la estructura media es
correcto, pero hay sobredispersión, Gourieroux et al. (1984) muestran que el
Las estimaciones del PRM son consistentes pero ineficientes. Además, Cameron
y Trivedi (1986) argumentan que los errores estándar están sesgados hacia abajo,
resultando en valores z espuriosamente grandes.
El NBRM se puede obtener desde diferentes perspectivas. Aquí seguimos
los argumentos de Long (1997) que introduce este modelo en términos de nob '
sirvió a la heterogeneidad. A diferencia del PRM, donde se conoce la media, en el
NBRM, la media μ se reemplaza con la variable aleatoria Hμ) .1 / # x i ß% e i $,
donde e es un error aleatorio que se supone no correlacionado con x. En
términos de Gourieroux et al. (1984), podemos pensar en e como los efectos combinados
de variables no observadas que se han omitido del modelo. Puede ser
piensa como otra fuente de aleatoriedad. En el PRM, la variación en μ es
introducido a través de la heterogeneidad observada. En el NBRM, la variación en Hμ es
debido tanto a la variación en x entre los individuos como a la heterogeneidad no observada
Erogeneidad introducida por e. Por lo tanto, para una combinación dada de valores para
las variables independientes, hay una distribución de Hμ / s en lugar de una única
μ.
La relación entre Hμ y el μ original se sigue de Hμ i ) .1 / # x i ß $
.1 / # e i $) μ i .1 / # e i $) μ i δ i , donde δ i ) .1 / # e i $. Una suposición en el

Pagina 12

NBRM es que E # δ i $) 'lo que implica que el recuento esperado después de sumar
la nueva fuente de variación es la misma que en el PRM, es decir, E # Hμ $)
E # μ i δ i $) μ i E # δ i $) μ i .
Siguiendo los argumentos anteriores, la distribución de observaciones dadas x y
δ sigue siendo Poisson:
yi
μ i $ Hμ
yo
* 0 # y i #x i , δ i $) .1 / # H ,
yi "

) .1 / # μ yoδ yo $ # Hμ yo
. δ yo $ yi (4)
y"

Necesitamos calcular la distribución de y dado solo x, es decir, * 0 # y i #x i $)

/ o%
+*0#y yo #x yo , δ i $! G # δ i $, dδ i . Sin embargo, para solucionarlo, debemos especificar el

forma de la densidad para δ. La suposición más común es que δ i tiene un

vi
v yo vi-y
distribución gamma con parámetro v i : g # δ i $) δ
"v i # yo
.1 / # δ i v i $, para
o
v i > &, y donde la función gamma se define como # v $) / %
t v- & e -t dt. 4

Siguiendo a Cameron y Trivedi (1986), la ecuación para el NBRM es

#y i % v i $ v yo
* 0 # y i #x i $) . (5)
y yo "#v i $ ( v i % μ i \ v i (μ iv i % μ i \ y i

El valor esperado de y para NBRM es el mismo que en el PRM pero el

la varianza difiere:

var # y i # x $) μ i ('% μ i
v i \,
\,
.1 / # x i $
) .1 / # x i $ ('% (6)
v yo

donde dado que μ y v son positivas, la varianza condicional de y en el NBRM

debe exceder la media condicional .1 / # x i $. La literatura muestra que en '
La variación creciente en el NBRM permite un mejor ajuste en comparación con
el PRM. Sin embargo, la varianza en (6) no se identifica y el problema es
es decir, v varía con los individuos. Para simplificar la notación y cal '
culación, la literatura ha adoptado el supuesto de que v es el mismo para todos
individuos que hacen eso v i ) a - & , para a> &, lo que implica que la varianza
de δ es constante. El parámetro a se conoce como parámetro de overdisper '
sion y aumentando a aumentamos la varianza condicional de y. Por lo tanto,
4 Johnson y col. (1994) muestran que en este caso, E (δ i ) φ1 y var (δ i ) φ1 / v i .

Página 13

subtitulando v) a - y en (6), tenemos que

var # y i # x $) μ i ('% μ i
v i \,
) μ i # '% aμ i $,
) μ i % aμ '
i,
(7)

donde podemos notar que si a) &, la varianza es igual a la media y devolvemos

al PRM 5 .
El NBRM puede estimarse por máxima probabilidad. La probabilidad
la función es

L # ß # y, x $)! norte
i (& * 0 # y i #x i $,
#y i % a - & $ a -y μ i
)! norte yo(& , (8)
y yo "#a - & $ ( a - & % μ i \ a ^ ( a -& % μ i \ yi

donde μ) .1 / # x i $. Después de tomar logaritmos, la probabilidad logarítmica puede ser

maximizado con métodos numéricos.
Como antes, una forma de interpretar los resultados es calcular la predicción
probabilidades que se basan en la fórmula:

\ a^ ( \m
7μ
D * 0 # y) m # x $) #m% 7a - & $ a -y
. (9)
m "# 7a - & $ (7 7a - y % 7μ 7a - y % 7μ

3.3 Los modelos de regresión inflada cero

Un problema en los modelos de conteo es el número de ceros en el conteo (dependiente)

variable que se modela. Por ejemplo, en el PRM, como parámetro μ
aumenta, la predicción de ceros disminuye. El NBRM responde a esto
subpredicción de ceros aumentando la varianza condicional sin
cambiando la media condicional. Los modelos de conteo modificado cero cambian el
estructura media para modelar explícitamente la producción de conteos cero. Esto es
realizado asumiendo que los ceros pueden ser generados por un proceso diferente
que lo positivo cuenta. En nuestro caso, el PRM y el NBRM asumen que Cen '
tral Bank tiene una probabilidad positiva de intervención en el mercado cambiario
cualquier número de veces. La probabilidad difiere entre intervenciones
según algunas características, pero en todos los casos el riesgo del Banco Central de
5 Según la especificación de (7), la varianza condicional es cuadrática en la media. Eso
ha llevado a Cameron y Trivedi (1986) a llamar a este modelo la Regresión Binominal Negativa
Modelo (NBRM) 2.

Página 14

no interviene y en todos los casos el Banco Central lo hace intervenir. Pero puede ser
poco realista porque en algunos casos el Banco Central puede ser forzado (o algo
como) de no intervenir.
Para solucionar estos problemas, Mullahy (1986) asume que la población
tiene dos grupos. Un individuo está en el grupo 1 con probabilidad Ф y está en
grupo 2 con probabilidad 'Ф. El primer grupo consta de observaciones donde
siempre tenga cero recuentos. Por ejemplo, puede haber algunas observaciones
donde no hay intervención porque algunas características influyeron o influyeron
decidido al Banco Central a actuar así. No sabemos si
algunas observaciones con cero intervenciones están en el primer o segundo grupo 6 .
En el segundo grupo, los recuentos se rigen por un PRM o un NBRM.
Lambert (1992) y Greene (1994) amplían el modelo descrito anteriormente
permitir que Ф sea determinado por las características de los individuos (en nuestra
caso, Banco Central y / o condiciones macroeconómicas). Usando el Poisson
modelo, tanto los recuentos cero como positivos se pueden generar mediante un proceso de Poisson
como (1). Además, los ceros surgen con probabilidad Ф de un segundo proceso.
En este proceso, Ф es función de las características x i . En el cero inflado
El modelo de Poisson (ZIP), Ф se determina mediante modelos logit o probit:
Ф) F # z i 7 $, donde F es la densidad acumulativa normal o logística
función, respectivamente. Las variables z i pueden ser iguales a las variables x i
y es nuestro caso 7 .
Combinando el modelo de conteo de Poisson y el proceso binario para el ZIP
modelo, tenemos

* 0 + y yo) & # x i ,) Ф i % # 'Ф i $ .1 / # μ i $, (10)

* 0 + y i #x i ,) # 'Ф i $ .1 / # μ i$ μ y y,o y> &. (11)

y yo

El Modelo de Regresión Binominal Negativa Inflado Cero (ZINB) es creado

ated usando (5) y los ajustes correspondientes.
Greene (1994) muestra que E + y i #x i , z i ,) # &! Ф i $% + μ i ! # ' Ф yo $,)
μ i μ yo Ф yo . Está claro que la media condicional del modelo ha sido
cambiado reduciendo el recuento esperado en μФ. La varianza condicional es
también cambió. Para el modelo ZIP: var # y i #x i , z i $) μ i ! # ' Ф yo $ # '% μ yo Ф yo $
y para el ZINB: var # y i #x i , z i $) μ i # 'Ф i $ +'% μ i # Ф i % a $ ,. Si Ф) y nosotros
recuperar el PRM estándar. De lo contrario, la varianza supera la media. por
Ф> &, la dispersión es mayor que para el NBRM estándar.
6 La distinción entre ambos grupos es una forma de heterogeneidad discreta no observada;
ver Long (1997).
7 Se supone que los parámetros del modelo binario son un múltiplo escalar de para '

metros en el modelo de recuento.

10

Página 15

Σnorte
La función de verosimilitud es L # ß, 7 # y, x, z $) * 0 + y i #x i , z i ,. La ß para '
yo(&
Los medidores se interpretan de la misma manera que los parámetros del PRM y
el NBRM, y los 7 parámetros se interpretan de la misma manera que el
parámetros en modelos probit o logit. Un coeficiente positivo en el binario
proceso aumenta la probabilidad de estar en el grupo donde la probabilidad
de una cuenta cero es uno. En cuanto a las probabilidades pronosticadas, para el ZIP
modelo, son: D * 0 # y) & # x $) 7Ф% # ' 7 $ .1 / # 7μ $, donde 7μ) .1 / # x7ß $
Ф
y 7Ф) f # z77 $. Por lo tanto, D * 0 # y) m # x $) # ' 7Ф $ veces (3). En el

caso del modelo ZINB: D * 0 # y) & # x $) 7Ф% # ' 7Ф $ # ! A^

$ !a^ y el
! a ^ $! μ i
D * 0 # y) m # x $) # '7Ф $ veces (9).

4 Evidencia empírica
Esta sección describe los datos utilizados, así como los resultados de las estimaciones.
obtenido utilizando los modelos descritos en la sección anterior.

4.1 Análisis de datos

Perú sufrió un proceso de hiperinflación a fines de la década de 1980, pero

estabilizó con éxito su economía a mediados de la década de 1990. 8 Varias estructuras
Las reformas económicas culturales se introdujeron durante la primera parte de la década de 1990,
a saber, la liberalización del sistema financiero (incluida una reforma de los fondos de pensiones),
apertura comercial, reinserción en el sistema financiero internacional, sistema tributario
reforma, políticas monetarias y fiscales sólidas y prudentes, promoción de inversiones '
y, en general, políticas más orientadas al mercado en toda la economía.
Sobre la base de las nuevas tendencias en las variables macroeconómicas a fines de la década de 1990,
Perú comenzó a utilizar la focalización de agregados monetarios con explícita (pero aún no
vinculantes) preferían tasas de inflación en 1994. Para 2002, Perú adoptó formalmente una
régimen de focalización de la inflación en toda regla. Los datos de este estudio tienen un
frecuencia y abarca el período desde la primera semana de enero de 2001 hasta el
la última semana de 2010. Ofrecemos una breve descripción del comportamiento de
siguientes variables: el número de intervenciones por período (que es el
variable dependiente), la desviación o ciclo del tipo de cambio, el cambio
la variación de las tasas, el diferencial EMBIG y el diferencial entre monedas en
tipos de interés preferenciales corporativos e interbancarios
8 Para una descripción de la dinámica de la inflación en Perú, véase Castillo, Humala y Tuesta (2006).

11

Página 16

Las desviaciones del logaritmo del tipo de cambio con respecto a su

La tendencia a largo plazo se ha calculado asumiendo una tendencia lineal 9 . Positivo
las desviaciones indican que el tipo de cambio está teniendo un valor superior al promedio
depreciación (tendencia a largo plazo), lo que haría que el BCRP reaccionara con
ventas de divisas. En el escenario contrario, el BCRP interviene en el
mercado mediante la compra de divisas. Desviaciones del registro de
El tipo de cambio también se ha calculado utilizando el filtro propuesto por
Hodrick'Prescott (1997) para evaluar la sensibilidad a esta variable.
La varianza del logaritmo del tipo de cambio es un indicador de desequilibrio
libria en el mercado cambiario. Sin embargo, esta variable no discrimina
entre las presiones de apreciación y depreciación, lo que podría ser un problema.
Un resultado interesante es que los períodos con mayor volatilidad están relacionados con para '
ventas en moneda extranjera, que son bastante esporádicas. Además, existe la posibilidad
que la varianza está determinada en sí misma por la intervención, lo que daría lugar
a un problema de endogeneidad. En este caso una intervención generaría una
reducción de la volatilidad representada por la varianza.
El diferencial EMBIG es un indicador de riesgo país que puede determinar
entrada o salida de dólares. Por ejemplo, si EMBIG aumenta, una salida
de dólares ocurre lo que lleva a un aumento en el tipo de cambio. En esto
caso, el BCRP se dedicará a la venta de divisas con el fin de detener esta
preciación. Además, es frecuente que este indicador aumente durante las elecciones
períodos. En este sentido, se propone que un incremento en EMBIG tendrá
un efecto positivo en las ventas de divisas y un efecto negativo en
compras de intercambio.
Finalmente, los diferenciales de las tasas de interés preferenciales corporativas e interbancarias pro '
Vide un indicador de expectativas de devaluación. La diferencia entre el
la tasa de interés en moneda nacional y extranjera será cubierta por
devaluación. Por lo tanto, un aumento en el diferencial es un indicador de una posible
aumento de las expectativas de devaluación. Esto resulta en un aumento en la
ventas esperadas de divisas.
El comportamiento del logaritmo del tipo de cambio y del tipo de cambio en '
intervención a lo largo del período analizado indica claramente que intervinieron
deja de ser esporádica y se convierte en un instrumento de uso frecuente. Esta
refuerza la idea de intervención en el mercado de tipos de cambio como
un instrumento de política monetaria. La mayor incidencia de intervención
es alrededor del año 2005. Parece que las intervenciones se han vuelto más
común ya que el tipo de cambio ha sufrido una apreciación.
La Figura 1 muestra las compras y ventas de moneda extranjera por separado. los
9 Por supuesto, son posibles otros tipos de cálculos; vea abajo.

12

Página 17

información proporciona una clara evidencia de la frecuencia de cada tipo de inter '
vention. La primera característica relevante es la diferencia entre compras y
ventas. El primer tipo de intervención ocurre con frecuencia, mientras que el último
rara vez ocurre. Las ventas de divisas se han realizado en solo cuatro períodos:
Abril de 2001, septiembre de 2002, finales de 2005 a principios de 2006, y finalmente durante el
crisis financiera de mediados de 2008. Por otro lado, las compras de divisas abarcan
pasar períodos más largos que van desde 2003 hasta finales de 2005, y desde mediados de 2006 hasta
justo antes de la crisis financiera. Desde principios de 2009 las compras comienzan a recuperarse
y alcanzar una mayor frecuencia en 2010.
Está claro que durante la crisis financiera los agentes económicos necesitaban
dólares para cubrir sus posiciones. Ante este exceso de demanda, el BCRP decidió
proporcionar dólares al sistema bancario que estaba teniendo dificultades para renovar
sus líneas de crédito. De esta forma, las ventas en dólares aumentaron y el tipo de cambio
cayó. Un escenario diferente ocurrió en el período anterior, donde el BCRP
compró dólares para impedir la entrada de especuladores que
empujando el tipo de cambio a la baja.

4.2 Estimaciones

En las siguientes líneas, el análisis de los determinantes de compras y

Las ventas de moneda extranjera se presentan por separado. En las siguientes tablas el
los coeficientes se proporcionan con sus respectivos valores p 'mostrados entre paréntesis.

4.2.1 Compras de divisas

La Tabla 1 muestra los resultados de las estimaciones de Poisson y Negativo

Modelos binomiales para el número de compras de divisas. Dos mod '
Els se estiman para cada uno de ellos y la diferencia es la inclusión
o exclusión del término constante que no es estadísticamente significativo. los
los modelos se indican con I y II para el PRM y III y IV para el NBRM,
respectivamente. El NBRM presenta coeficientes similares aunque más altos (en
valor absoluto) en comparación con el PRM. La prueba de sobredispersión sug '
Gestiona la validación del NBRM, aunque el parámetro de dispersión no es
muy alto.
Ambos modelos muestran que las compras atrasadas afectan las compras actuales con un
coeficiente que indica alrededor del 37% al 38% de persistencia. La propagación Embig
afecta negativamente las compras de divisas. El mismo tipo de efecto es
mostrado por el diferencial de tipos de interés interbancarios y las desviaciones de la ex '
tasa de cambio de su tendencia a largo plazo (ciclo del tipo de cambio). Finalmente,
el spread de la prime corporativo afecta positivamente el tipo de cambio

13

Página 18

compras. Los resultados de ambos modelos apoyan nuestras afirmaciones iniciales con
respecto al efecto de las variables explicativas.
La Tabla 2 muestra los resultados de tres modelos de regresión ZIP seleccionados. Como
descrito anteriormente, el método ZIP permite el cálculo de un evento
ocurrencia como resultado de dos procesos: un proceso (Logit) que calcula
si una intervención tiene lugar o no, y otro proceso (cuenta) que
calcula el número de intervenciones. Inicialmente, se ejecuta la regresión ZIP
incluyendo todas las variables explicativas, con el fin de discernir cuáles están relacionadas
a la decisión de intervenir y cuáles al número de intervenciones.
Un primer vistazo a los resultados revela que el ciclo del tipo de cambio, el
diferenciar las tasas de interés interbancarias, y las compras rezagadas son significativas en
el proceso Logit. Esto significa que la decisión de intervenir está influenciada por
estas tres variables. Por otro lado, la decisión de intervenir es muy
raramente influenciado por las otras variables. En general, como moneda extranjera
las compras son más frecuentes, la decisión de la magnitud de la intervención
podría ser más complejo que la decisión de intervenir.
Un coeficiente positivo en el proceso de recuento (regresión) significa que el
variable asociada aumenta el número esperado de intervenciones (en pur '
persecuciones en el presente caso). Por otro lado, un coeficiente positivo en la
La estimación logit significa que la variable aumenta la probabilidad de cero
intervenciones. Por lo tanto, esperamos coeficientes con signos opuestos en cada
proceso.
La Figura 2 permite la evaluación del Poisson (modelo II), Negative Bino '
mial (modelo IV) y los modelos de regresión de Poisson inflado cero (modelo VII)
basado en la probabilidad estimada de obtener un número dado de conteos (o
intervenciones en nuestro caso). La línea continua muestra la distribución observada de
BCRPos compra en el mercado cambiario, mientras que el resto muestra
las distribuciones estimadas de la misma variable utilizando el mencionado
modelos. Una característica es que el Poisson y el binomio negativo
los modelos muestran la misma distribución. Los resultados permiten comparar distri '
y para tomar nota de los posibles problemas que los modelos puedan tener en
representando la realidad. Las estimaciones muestran algunas dificultades para capturar la
probabilidad de cuatro a cinco intervenciones por semana. La probabilidad de un nulo
la intervención es cercana al 50%, luego disminuye al 7% para una intervención,
y muestra un ligero aumento al 15% para un valor de cinco intervenciones.
La Figura 3 muestra la diferencia entre la distribución observada y pre '
dictados para cada modelo de regresión. Esto permite una evaluación más precisa de
qué modelo de regresión se ajusta mejor a los datos observados. Como vimos en la Tabla 1,
ninguno de estos modelos tiene una constante en la ecuación de regresión. A pesar de
El hecho de que ambos modelos sean distintos de cero, el modelo ZIP presenta una

14

Página 19

mejor comportamiento. Es natural que las compras sean difíciles de estimar, ya que
son muy frecuentes, volátiles y es posible que las decisiones dependan de
variables que no se tienen en cuenta 10 .
Como se mencionó anteriormente, los coeficientes obtenidos en el anterior re '
gresiones no se pueden interpretar de la manera convencional. La tabla 3 indica
que cada coeficiente debe entenderse como el cambio porcentual que
surgen en la intervención esperada si una variable explicativa aumenta en un
cantidad igual a su desviación estándar. Se eligió una desviación estándar
como el nivel de variación, ya que esto permite saber qué efecto normalmente
surgen en las intervenciones. Además, permite realizar comparaciones entre
efectos de diferentes variables con el fin de establecer cuál es mayor.
La Tabla 3 deja claro que el principal determinante de los cambios en interven '
ción es el primer rezago del número de compras. Los diferenciales tienen menor pero
efectos todavía considerables. La desviación estándar del diferencial EMBIG es
196.113 porque esta unidad de variables se representa como puntos básicos porcentuales,
donde 100 es igual a 1%. Por lo tanto, el diferencial EMBIG tiene una desviación estándar de
(1,96%), inferior a los diferenciales de interés prime corporativo e interbancario
tasas (2,28% y 2,26%, respectivamente). En el caso de los modelos ZIP, el
La existencia de dos procesos implica una interpretación más compleja. Para examen'
Por ejemplo, si las compras rezagadas aumentan en 2.016, tiene dos efectos. El primer efecto
significa un aumento del número esperado de compras en un 20,30% y el
El segundo efecto indica una reducción en la probabilidad de una intervención nula.
casi completamente, lo cual es consistente con el alto número de compras de
la autoridad monetaria peruana. Otro ejemplo es el uso de la propagación de
Tasas de interés. Un mayor margen de las tasas de interés aumenta la probabilidad de cero
(compras) intervenciones en más del 100,0%. Es constante observar
la distribución de las compras en el mercado de divisas que muestra
que la probabilidad de una intervención nula es rara. También es consistente con
el comportamiento del BCRP ante el ingreso de capitales extranjeros al país:
reaccionan comprando moneda extranjera para evitar una depreciación con conse '
efectos cocientes en la inflación interna. Una posible interpretación de estos resultados
podría sugerir que las decisiones de BCRPos están más influenciadas por aquellos que disuaden
minantes que muestran mayor volatilidad. Las desviaciones del tipo de cambio
de su tendencia a largo plazo también son importantes. Además, esta variable y
Las compras rezagadas son las principales variables que determinan la decisión de
intervenir o no en el mercado cambiario (ver ecuación binaria).

10 Por ello, este trabajo representa una primera aproximación y contribución a este
tipo de tema y la forma en que se analiza. Se están realizando más investigaciones.

15

Página 20

4.2.2 Ventas de divisas

Las ventas de divisas se estiman por separado porque evidencian una

comportamiento diferente, lo que sugiere que sus determinantes podrían ser relativamente
diferente. La Tabla 4 muestra los resultados para el binomio de Poisson y negativo
regresiones.
Los modelos I y III incluyen la varianza del logaritmo del intercambio
tasa como determinante de las ventas de divisas. Esto da como resultado
que todas las variables con excepción de la varianza son significativas. Además,
tienen un signo acorde con la intuición económica. El potencial
El problema de la varianza es que plantea un problema de endogeneidad. los
coeficiente indica que un aumento en la varianza reduce el número
de las ventas de divisas. Sin embargo, en realidad la relación es negativa.
porque un aumento en la intervención debería reducir la variación de la
moneda. Debido a este problema de endogeneidad, la varianza se elimina de
el modelo como variable explicativa. Aunque ambas regresiones (Poisson
así como Binomial) son similares, este último presenta coeficientes más altos (en
valores absolutos). La estadística de razón de verosimilitud para la sobredispersión confirma
que la media no es igual a la varianza que implica un rechazo del PRM.
En contraste con las compras de divisas presentadas en la anterior
sección, en este caso un modelo de regresión inflado cero parece ser más
relevante debido a la mayor proporción de intervenciones nulas en el exterior
ventas de cambio. Se presentan los resultados basados en los modelos de regresión ZIP
en la Tabla 5. Parece que la decisión de intervenir es más
importante que la decisión sobre la magnitud de la intervención. Un posible
La explicación podría ser que el BCRP es más reticente a realizar ventas de dólares.
activos denominados que disminuyen el monto de las reservas internacionales.
En contraste con la estimación ZIP para las compras de divisas, en
En este caso, la mayoría de las variables explicativas son estadísticamente significativas para
el proceso binario. Solo la tasa de interés corporativa preferencial es significativa
en el proceso de recuento. Observe que la persistencia ahora es muy pequeña y
estadísticamente no significativo, lo cual es consistente con las raras ocurrencias de
ventas de moneda extranjera.
El modelo V ejecuta la regresión con todas las variables explicativas en ambos
Procesos. Esto proporciona una idea de la importancia de los determinantes.
El modelo VI realiza una primera selección para determinar qué variante explicativa
las ables corresponden a cada proceso. Sin embargo, el problema con la varianza
La variable surge cuando el coeficiente tiene un signo positivo potencialmente debido a endo '
geneidad. Recordemos que los coeficientes del proceso binario explican la
relación entre variables explicativas y la probabilidad de nula intervenida '

dieciséis

Página 21

ción; por tanto, es habitual que los coeficientes muestren signos opuestos en cada proceso.
Por ejemplo, el signo positivo de la propagación de las principales empresas corporativas
efi ciente indica que un aumento de esta variable aumenta la probabilidad
que la intervención es nula. Mientras que en el proceso de recuento un signo negativo
indicaría que el número esperado de intervenciones disminuye con este
variable.
El modelo VII presenta las variables explicativas finales. En este caso el primero
El rezago de las ventas de divisas no se incluye debido a su naturaleza esporádica.
impide asumir cualquier tipo de inercia o persistencia en este tipo de
intervención. Todos los coeficientes son estadísticamente significativos y de acuerdo con
la interpretación económica.
La Figura 4 muestra la distribución estimada de las ventas de divisas entre
comparado con la distribución observada. Los resultados son más alentadores
que en el caso de las compras de divisas, ya que ambas distribuciones son
cercanos entre sí. La distribución muestra un 90% de probabilidad de nulo inter '
convenciones, y el resto se distribuye de forma proporcionada. En otras palabras,
las intervenciones de 1 a 5 veces tienen una probabilidad de aproximadamente el 5%.
La Figura 5 permite una evaluación más precisa de qué modelo muestra un
encajar mejor con los datos. La distribución de la estimación estará más cerca de la
observado uno, cuanto más cerca de cero esta diferencia. Por tanto, queda claro que el
El modelo ZIP es el más adecuado, seguido del modelo Binomial Negativo
que muestra algunas dificultades para capturar la probabilidad de una intervención '
ción. Por otro lado, el modelo de Poisson falla al capturar la probabilidad
para intervenciones 0 y 1, pero muestra una ligera mejora en las probabilidades
para 2, 3 y 4 intervenciones en comparación con el modelo Binomial Negativo.
El cuadro 6 muestra la interpretación de los coeficientes en divisas
se proporcionan ventas. En este caso, las regresiones de Poisson y binomial negativa
son comparables entre sí. Sin embargo, no se pueden comparar directamente
con el modelo de regresión ZIP, debido a que las variables explicativas
del modelo ZIP son en su mayoría significativos solo para el proceso binario.
La forma correcta de interpretar el efecto es, en el caso del modelo VI, como
siguiente: un cambio en el diferencial de la tasa de interés interbancaria igual al estándar
desviación (2,28) provoca una disminución del 22,7% en el número esperado de
ventas de divisas. En el caso del proceso binario, la propagación del
prime corporativo aumenta la probabilidad de una intervención nula en
392,0%.
En los modelos VI y VII vemos que los principales determinantes de la ex '
las ventas de cambio son el diferencial de la tasa de interés interbancaria, el ciclo del intercambio
el logaritmo de las tasas y el diferencial de la tasa de interés corporativa preferencial.

17

Página 22

5. Conclusiones
Los determinantes de la frecuencia de las intervenciones del Banco Central (compras
y ventas) en el mercado cambiario peruano se analizan utilizando
datos para el período de enero de 2001 a diciembre de 2010 utilizando datos de recuento
modelos. Los resultados muestran que las desviaciones del logaritmo del intercambio
tasa con respecto a una tendencia a largo plazo, intervenciones de semanas anteriores (por '
coherencia), el diferencial Embig, el diferencial entre tipos de interés interbancarios,
y el diferencial entre los tipos de cambio nacionales y extranjeros son importantes
determinantes.
Particularmente, se ha demostrado que, aunque las divisas pur '
las persecuciones y las ventas están relacionadas entre sí, tienen comportamientos diferentes.
Además, las variables explicativas no tienen el mismo efecto sobre ellas,
ni en signo ni en magnitud.
Por otro lado, las estimaciones logran predecir con mayor precisión la
ventas de divisas, mientras que las compras de divisas son menos precisas.
Esto parece indicar que las compras de divisas tienen otra disuasión
minantes que no se pudieron tomar en cuenta. Esto es lógico, ya que las decisiones
comprar, además de reducir la volatilidad del tipo de cambio, también tienen el objetivo de
acumulando reservas internacionales por motivos de precaución y en o '
der para asegurar que la autoridad monetaria dispone de los medios necesarios para mantener
estabilidad macroeconómica. Se están realizando más investigaciones sobre estos temas.

Referencias
[1] Arena, M. y Tuesta, P. (1999), p El Objetivo de la Intervención del
Banco Central: ¿El Nivel del Tipo de Cambio, la Reducción de la
Volatilidad Cambiaria o ambos ?: Un Análisis de la Experiencia Pe '
ruana 1991'1998, qRevista de Estudios Económicos 5, 61r88.

[2] Baillie, R. y Osterberg, W. (1997), pWhy do Central Banks Inter '

vene ?, qJournal of International Money and Finance 16 (6), 909'919.

[3] Calvo, GA y CM Reinhart (2002), pFear of Floating, qThe Quar!

Terly Journal of Economics 117 (2), 379'408.

[4] Castillo, P. y Montoro, C. y V. Tuesta (2006), pHechos estilizados de

la economía peruana, qRevista de Estudios Económicos 14 (2), 33'75.

18

Página 23

[5] Cameron, AC y PK Trivedi (1986), pModelos econométricos basados

en datos de recuento: comparación y aplicaciones de algunos estimadores y
Pruebas, qJournal of Applied Econometrics 1, 29'53.

[6] Cameron, AC y Trivedi, K. (2005), Microeconometrics. Métodos

y aplicaciones, Cambridge: Cambridge University Press.

[7] Cameron, AC y Trivedi, K. (2010), Microeconometrics using Stata,

Texas: Stata Press, edición revisada.

[8] Carranza, L, Cayo. J y Galdón'Sánchez, J. (2003), pTipo de cambio

Volatilidad y desempeño económico en Perú: un análisis a nivel de empresa, q
Emerging Markets Review 4, 472'496.

[9] Domínguez, K. y J. Frankel (1993), pDoes Foreign'Exchange Inter '

vention Matter ?. El efecto cartera, qAmerican Economic Review 83
(5), 1356'1369.

[10] Echavarría, J. Vásquez, D. y Villamizar, M. (2009), pImpacto de las

Intervenciones Cambiarias sobre el Nivel y la Volatilidad de la Tasa de
Cambio en Colombiaq, Borradores de Economía 561.

[11] Evans, MDD y RK Lyons (2002), pTime'Varying Liquidity in

Foreign Exchange, qJournal of Monetary Economics 49 (5), 1025'1051.

[12] Frankel J. A y AK Rose (1995), pEmpirical Research on Nominal

Tipos de cambio. Qin Grossman, G. y K. Rogoff (Editores), Manual
de Economía Internacional,. Elsevier Science, BV

[13] Gourieroux, C., A. Monfort y A. Trognon (1984), pPseudo Maximum

Métodos de verosimilitud: aplicaciones a modelos de Poisson, q Econometrica
52, 701'720.

[14] Greene, WH (1994), pAccounting for Excess Zeros and Sample Selec '
en modelos de regresión binomial negativa y de Poisson V Stern School
of Business, qDepartment of Economics, Documento de trabajo 94 "10.

[15] Greene, W. (2003), Análisis econométrico, Nueva Jersey: Prentice Hall.

[16] Hodrick, RJ y Prescott, EC (1997) p Postwar US Business Cy '

cles: una investigación empírica, qJournal of Money, Credit and Bank!
ing 29, 1'16.

19

Página 24

[17] Hoshikawa, T. (2008), p El efecto de la frecuencia de las intervenciones en la

Mercado de divisas: la experiencia japonesaq, Journal of Inter!
Dinero y Finanzas nacionales 27, 547r59.

[18] Humala, A. y Rodríguez, G. (2010), pForeign Exchange Intervention

y Volatilidad del Tipo de Cambio en Peruq, Applied Economics Letters, 17,
1485'1491.

[19] Ito, T. (2002), pIs Foreign Exchange Intervention Effective ?: The

Experiencias japonesas en la década de 1990, documento de trabajo NBER 8914. También
como Discussion Paper Series 428, Institute of Economic Research, Hitot '
Universidad subashi.

[20] Johnson, NL, S. Kotz y N. Balakrishnan (1994), Continuos Uni!

Distribuciones variadas, volumen 1 (2ª ed.), Nueva York: John Wiley.

[21] Kamil, H. (2008), pIs Central Bank Intervention Effective Under Infla '
¿Regímenes de focalización? El caso de Colombiaq, ¡Moneda Internacional!
Documento de trabajo del Fondo tario 08/08.

[22] Lambert, D. (1992), pZero'Inflated Poisson Regression with an Appli '

cación a los defectos en la fabricación, qTechnometrics 34, 1'14.

[23] Long, JS (1997), Modelos de regresión para De!

variables pendientes, técnicas cuantitativas avanzadas en las ciencias sociales
ences Serie 7, California: Publicaciones SAGE.

[24] Long, JS y Freese, J. (2006), Modelos de regresión para categorías

Variables dependientes usando Stata, Texas: Stata Press.

[25] Maddala, GS (1983), Variables dependientes y cualitativas limitadas en

Econometría, Cambridge: Cambridge University Press.

[26] Mullahy, J. (1986), pEspecificación y prueba de algún recuento modificado

Modelos de datos, qJournal of Econometrics 33, 341'365.

[27] Mussa, M. (1981), El papel de la intervención oficial, Nueva York, Grupo

de Treinta.

[28] Neely, CJ (2008), pCentral Bank AuthoritiesoBeliefs about Foreign

Intervención cambiaria, qJournal of International Money and Finance
27 (1), 1'25.

20

Página 25

[29] Tapia, M. y Tokman, A. (2003), pEfectos de las Intervenciones en

Mercado Cambiario: El Caso de Chileq, Working Paper 206, Central
Banco de Chile.

[30] Winkelmann, R. (2008), Análisis econométrico de datos de recuento,

Springer'Verlag Berlín Heidelberg.

21

Página 26

Cuadro 1. Regresión de las compras de divisas

Variable Regresión de Poisson Regresión binomial negativa

Modelo I Modelo II Modelo III Modelo IV

Primeras compras retrasadas 0.370 0.372 0.385 0.386

(0,000) (0,000) (0,000) (0,000)

Propagación EMBIG "0,002 "0,002 "0,002 "0,002

(0,001) (0,000) (0,000) (0,000)

Spreads de prime corporativo 0,173 0,170 0,192 0,189

(0,000) (0,000) (0,001) (0,000)

Diferenciar las tasas de interés interbancarias "0,182 "0,181 "0.213 "0.212

(0,000) (0,000) (0,000) (0,000)

T ipo de cambio Ciclo de Rs "16.227 "16.164 "19.892 "19.846
(0,001) (0,001) (0,001) (0,001)

Constante 0.0160 0.0154

(0,907) (0,920)

una 0,135 0,135

Prueba LR de a! (valor p ") 0,003 0,003

Página 27

Cuadro 2. Regresión de compras de divisas: modelos de regresión postal

Variable Modelo V Modelo VI Modelo VII

Primeras compras retrasadas 0.093 0,096 0,124

(0,000) (0,000) (0,000)

Propagación EMBIG "0,001 "0,001 "0,001

(0.108) (0.090) (0.015)

Spreads de prime corporativo 0,127 0.082 0,127

(0,116) (0,109) (0,008)

Diferenciar las tasas de interés interbancarias "0.052

(0,369)
T ipo de cambio Ciclo de Rs "7.438

(0,208)
Constante 1.086 1.097 1.046
(0,000) (0,000) (0,000)

Ecuación binaria

Primeras compras retrasadas "1.218 "1.228 "0,987

(0,000) (0,000) (0,000)

Propagación EMBIG 0,003

(0.076)

Spreads de prime corporativo "0.240

(0,210)

Diferenciar las tasas de interés interbancarias 0.552 0.515 1.001

(0,002) (0,000) (0,000)

T ipo de cambio Ciclo de Rs 74.282 78.728 136,985

(0,004) (0,004) (0,000)

Constante 0.327 1.102

(0,505) (0,000)

Página 28

Cuadro 3. Interpretación de los coeficientes de regresión del número de compras de divisas

Variable Regresión de Poisson Regresión binomial negativa Modelos ZIP

Modelo I Modelo II Modelo III Modelo IV Modelo VI Modelo VII

Primeras compras retrasadas 110,90% 111,70% 117,30% 118,00% 21,40% 28,50%

(2.016) (2.016) (2.016) (2.016) (2.016) (2.016)

Propagación EMBIG -28,50% -27,90% -30,60% -30,00% -16,00% -21,90%

(196.113) (196.113) (196.113) (196.113) (196.113) (196.113)

Spreads de prime corporativo 47,30% 47,40% 54,90% 54,00% 20,50% 33,90%

(2.280) (2.280) (2.280) (2.280) (2.280) (2.280)

Diferenciar las tasas de interés interbancarias -33,70% -33,70% -38,20% -38,10%

(2.264) (2.264) (2.264) (2.264)

El ciclo del tipo de cambio -12,40% -12,40% -15,00% -14,90%

(0,008) (0,008) (0,008) (0,008)

Ecuación binaria: probabilidad de no intervención

Primeras compras retrasadas -91,60% -86,20%

(2.016) (2..016)

Diferenciar las tasas de interés interbancarias 220,60% 863,20%

(2.264) (2.264)

El ciclo del tipo de cambio 90,10% 205,70%

(0,008) (0,008)

0,135 0,135

Prueba LR de 0 (valor p) 0,003 0,003

Página 29

Cuadro 4. Regresión de las ventas de divisas

Variable Poisson Binomio negativo

Modelo I Modelo II Modelo III Modelo IV

Primeras ventas rezagadas 0.536 0.583 0,666 0,690

(0,000) (0,000) (0,000) (0,000)

Propagación EMBIG 0,002 0,002 0,004 0,004

(0,007) (0,005) (0.016) (0.022)

Spreads de prime corporativo "0.395 "0.379 "0.517 "0.533

(0,000) (0,000) (0,002) (0,001)

Diferenciar las tasas de interés interbancarias 0,262 0,246 0,446 0.470

(0,000) (0,000) (0,000) (0,000)

T ipo de cambio Ciclo de Rs 44.017 43.955 93.682 91.885

(0,000) (0,000) (0,001) (0,001)

Varianza del tipo de cambio logarítmico "41.649 "42.401

(0.077) (0,346)
Constante "2.903 "3.148 "4.108 "4.302

(0,000) (0,000) (0,000) (0,000)

una 3.125 3.219

Prueba LR de a! (valor p ") 0.000 0.000

Página 30

Cuadro 5. Regresión de las ventas de divisas: modelos de regresión postal

Variable Modelo V Modelo VI Modelo VII

Primeras ventas rezagadas 0.021

(0,759)

Propagación EMBIG 0.000

(0,794)

Spreads de prime corporativo # 0.195 0,113 # 0.125

(0.053) (0.012) (0,002)

Diferenciar las tasas de interés interbancarias 0,049

(0,347)

T ipo de cambio Ciclo de Ts 0,148

(0,988)

varianza del tipo de cambio logarítmico 13.398

(0,667)

Constante 0,738 1.010 1,005

(0.065) (0,000) (0,000)

Ecuación binaria
Primeras compras retrasadas # 1.600 N.º 1.541 N.º 2.711

(0,000) (0,000) (0,000)

Propagación EMBIG # 0.007 # 0.007 # 0.006

(0.018) (0.012) (0.015)

Spreads de prime corporativo 0,613 0,699 0,569

(0.041) (0.019) (0.024)

Diferenciar las tasas de interés interbancarias N.º 0.823 # 0.847 # 0.857

(0,000) (0,000) (0,000)

T ipo de cambio Ciclo de Ts # 234.20 # 226.39 # 115.76

(0,000) (0,001) (0.019)

varianza del tipo de cambio logarítmico 222,73 203,76

(0.080) (0.087)
Constante 6.361 6.408 6,944
(0,000) (0,000) (0,000)

Página 31

Cuadro 6.interpretación de los coeficientes de regresión del número de ventas de divisas

Variable Regresión de Poisson Regresión binomial negativa Modelos ZIP

Modelo I Modelo II Modelo III Modelo IV Modelo VI Modelo VII

Primeras ventas rezagadas 53,10% 58,80% 69,70% 73,00%

(0,794) (0,794) (0,794) (0,794)

Propagación EMBIG 56,60% 55,90% 112,00% 102,60%

(196.113) (196.113) (196.113) (196.113)

Spreads de prime corporativo # 59.40% # 57,90% # 69.20% # 70.40% # 22.70% # 24,90%

(2.280) (2.280) (2.280) (2.280) (2.280) (2.280)

Diferenciar las tasas de interés interbancarias 80,80% 74,40% 174,20% 190,00%

(2.263) (2.263) (2.263) (2.263)

Tipo de cambio Ciclo de Estados Unidos 43,20% 43,10% 114,70% 111,60%

(0,008) (0,008) (0,008) (0,008)

Varianza del tipo de cambio logarítmico # 22.90% # 23.20%

(0,006) (0,006)

Ecuación binaria

Primeras ventas rezagadas # 70,6% # 88,4%

(0,794) (0,794)

Propagación EMBIG # 76,8 # 68,2%

(196.113) (196.113)

Spreads de prime corporativo 392.2 266,2%

(0.022) (0.022)

Diferenciar las tasas de interés interbancarias # 85.3 # 85,6%

(2.264) (2.264)

Tipo de cambio Ciclo de Estados Unidos # 84.2 # 61,10%

(0,008) (0,008)

Varianza del tipo de cambio logarítmico 256,4

(0,006)

una 3.125 3.219

Prueba LR de a! (valor p #) 0.000 0.000

Página 32

4
ales
s
3
ción
2 en
rv
te
1 En

0
5
es
s
4
decir ah
rc
3
n pu

ntio 2
mi
1
Interv
0

2000w1 2002w1 2004w1 2006w1 2008w1 2010w1 2012w1

t

Compras de intervención
Ventas de intervención

Figura 1. Intervención en compras y ventas de tipo de cambio de moneda extranjera

Página 33

.5

.4

montas
fc .3
o

capacidad
.2

prob

.1

0 1 2 3 4 5
Contar

Observado Previsto: PRM

Previsto: NBRM Previsto: ZIP

Figura 2. Probabilidad de conteos de intervenciones en las compras cambiarias:

Modelos de regresión de Poisson con inflación cero y binomial negativo de Poissson observado

Página 34

.2

.1
ted

0
ed - Predic
erv
bs
O
-.1

-2
0 1 2 3 4 5
Contar

PMR NBRM
CÓDIGO POSTAL

Figura 3. Diferencia de probabilidad de conteos de intervenciones en el tipo de cambio

Compras: modelos de regresión de Poisson binomial negativa y cero inflados de Poissson

Página 35

.8

.7

montas
.6
fc
o .5

.4
capacidad
.3
prob
.2

.1

0 1 2 3 4 5
Contar

Observado Previsto: PRM

Previsto: NBRM Previsto: ZIP

Figura 4. Probabilidad de conteos de intervenciones en las ventas de tipo de cambio:

Modelos de regresión de Poisson con inflación cero y binomial negativo de Poissson observado

Página 36

.1

ted .05

0
ed - Predic
erv
bs
O
-.05

-.1
0 1 2 3 4 5
Contar

PMR NBRM
CÓDIGO POSTAL

Gráfico 5. Diferencia de probabilidad de conteos de intervenciones en el tipo de cambio

Ventas: modelos de regresión de Poisson binomial negativo y cero inflado de Poissson

Página 37

ÚLTIMAS PUBLICACIONES DE LOS PROFESORES

DEL DEPARTAMENTO DE ECONOMÍA

Libros

Félix Jiménez
2012 Elementos de teoría y política macroeconómica para una economía abierta (Tomos I
y II) . Lima, Fondo Editorial, Pontificia Universidad Católica del Perú.

Félix Jiménez
2012 Crecimiento económico: enfoques y modelos. Lima, Fondo Editorial, Pontificia
Universidad Católica del Perú.

Janina León Castillo y Javier M. Iguiñiz Echeverría (Eds.)

2011 Desigualdad distributiva en el Perú: Dimensiones. Lima, Fondo Editorial, Pontificia
Universidad Católica del Perú.

Alan Fairlie
2010 Biocomercio en el Perú: Experiencias y propuestas. Lima, Escuela de Posgrado,
Maestría en Biocomercio y Desarrollo Sostenible, PUCP; IDEA, PUCP; y, LATN.

José Rodríguez y Albert Berry (Eds.)

2010 Desafíos laborales en América Latina después de dos décadas de reformas
estructurales. Bolivia, Paraguay, Perú (1997-2008). Lima, Fondo Editorial, Pontificia
Universidad Católica del Perú e Instituto de Estudios Peruanos.

José Rodríguez y Mario Tello (Eds.)

2010 Opciones de política económica en el Perú 2011-2015. Lima, Fondo Editorial,
Pontificia Universidad Católica del Perú.

Félix Jiménez
2010 La economía peruana del último medio siglo. Lima, Fondo Editorial, Pontificia
Universidad Católica del Perú.

Felix Jiménez (Ed.)

2010 Teoría económica y Desarrollo Social: Exclusión, Desigualdad y Democracia.
Homenaje a Adolfo Figueroa. Lima, Fondo Editorial, Pontificia Universidad Católica
del Perú.

José Rodríguez y Silvana Vargas

2009 Trabajo infantil en el Perú. Magnitud y perfiles vulnerables. Informe Nacional 2007-
2008. Programa Internacional para la Erradicación del Trabajo Infantil (IPEC).
Organización Internacional del Trabajo.

Óscar Dancourt y Félix Jiménez (Ed.)

2009 Crisis internacional. Impactos y respuestas de política económica en el Perú . Lima,
Fondo Editorial, Pontificia Universidad Católica del Perú.

Página 38

Serie: Documentos de Trabajo

No. 339 “Formación de expectativas de inflación en presencia de cambios de política y

Descansos: un análisis experimental ”. Luis Ricardo Maertens y Gabriel Rodríguez.
Octubre de 2012.

No. 338 “Microeconomía: Teoría de la empresa”. Cecilia Garavito. Octubre de 2012.

No. 337 “El efecto del orden de nacimiento sobre el atraso escolar en el Perú”. Luis
García Núñez. Setiembre, 2012.

No. 336 “Modelos de oligopolios de productos homogéneos y viabilidad de acuerdos

horizontales ”. Raúl García Carpio y Raúl Pérez-Reyes Espejo. Setiembre, 2012.

No. 335 “Políticas de tecnologías de información y comunicación en el Perú, 1990-

2010 ”. Mario D. Tello. Setiembre, 2012.

No. 334 “Explicación de las probabilidades de transición en el mercado laboral peruano”. José
Rodríguez y Gabriel Rodríguez. Agosto de 2012.

No. 333 “Los programas de garantía de rentas en España: la renta mínima de inserción
catalana y sus componentes de inserción laboral ”. Ramón Ballester. Agosto,
2012.

No. 332 “Costos reales de producción de las crisis financieras: un enfoque de distribución de pérdidas”. Daniel
Kapp y Marco Vega. Junio de 2012.

No. 331 “Microeconomía: aplicaciones de la teoría del consumidor”. Cecilia Garavito.

Junio de 2012.

No. 330 “Desprotección en la tercera edad: ¿estamos preparados para enfrentar el

envejecimiento de la población? " Luis García Núñez. Junio de 2012.

No. 329 “Microeconomía: preferencias y elecciones de los consumidores”. Cecilia

Garavito. Mayo, 2012.

Departamento de Economía - Pontificia Universidad Católica del Perú

AV. Universitaria 1801, Lima 32 - Perú.
Telf. 626-2000 anexos 4950 - 4951
http://www.pucp.edu.pe/economia