Documentos de Académico
Documentos de Profesional
Documentos de Cultura
© 2014
Publicaciones del Banco Central de la República Dominicana
Esta es una publicación del Departamento de Programación Monetaria y Estudios Económicos del
Banco Central. El contenido y las opiniones de los artículos publicados en Oeconomia son de exclusiva
y estrictamente responsabilidad de su o sus autores y no reflejan la opinión del Banco Central de
República Dominicana.
Consejo Editorial:
Julio Andújar Scheker,
Director Departamento de Programación Monetaria y Estudios Económicos.
1. Introducción
Los efectos de las acciones de política fiscal es uno de los temas de discusión más
controversiales en la literatura macroeconómica. De acuerdo a la interpretación keynesiana el
nivel de producción y empleo de la economía es determinado por el gasto agregado, por lo que
junto con la presencia de restricciones de liquidez que enfrentan los hogares, la política fiscal
tiene efectos importantes en la evolución del Producto Interno Bruto (PIB). Por el contrario, la
visión neoclásica establece que los efectos de la política fiscal son limitados y juegan más un rol
distorsionante, por lo que políticas orientadas a expandir el nivel agregado de producción solo
tendrían efectos redistributivos y no expansivos.
Uno de los principales problemas para el contraste de estas hipótesis es la identificación de una
estrategia empírica permita cuantificar el impacto de movimientos exógenos de las variables
asociadas a la política fiscal sobre el nivel de actividad. En la literatura empírica se identifican
dos metodologías, la de Vectores Autorregresivos Estructurales (SVAR, por sus siglas en inglés)
y el llamado Enfoque Narrativo. La evidencia empírica, inclina la balanza a la hipótesis de que
la política fiscal, ya sea mediante expansión o contracción del gasto público o mediante ajustes
en la estructura impositiva, ejerce influencia sobre el nivel de actividad real.
En el caso particular de la República Dominicana (RD), diversos estudios han abordado esta
problemática con resultados relativamente distintos, reflejando la dificultad de identificar
movimientos exógenos de la política fiscal. Específicamente, el contraste viene de las diferencias
en las estimaciones de las elasticidades ingreso-producto y gasto-producto. Una particularidad
de estos estudios es que no consideran los cambios de régimen inducidos en la serie de ingresos
del gobierno por las reformas en la estructura impositiva de la economía durante el periodo de
estimación, las cuales se reflejan en la mencionada variable en forma de cambios estructurales,
que sesgan la estimación de las elasticidades de interés.
El presente trabajo tiene como objetivo contribuir a la literatura de efectos reales de la política
fiscal en la RD. El impacto de la política fiscal es cuantificado a través de la metodología de
vectores autorregresivos estructurales. A diferencia de los otros estudios para la República
Dominicana, la presente investigación considera el cómputo de la elasticidad ingreso-producto
controlando por las reformas fiscales (tributarias) llevadas a cabo en la muestra considerada.
3
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
Una vez estimada dicha elasticidad, se procede al estudio de los efectos de cambios exógenos de
la política fiscal sobre el producto. Los resultados sugieren que las innovaciones o choques
positivos de ingreso fiscal de alrededor de 1% reducen en impacto el PIB en 0.54% en el primer
trimestre después de observado el choque. En términos de los choques de gasto público, un
incremento exógeno de 1% impacta incrementa el nivel de actividad tres trimestres después,
con un efecto de 0.10% en impacto disipándose rápidamente. A la luz del debate sobre
multiplicadores fiscales, estos resultados sugieren que el multiplicador de los impuestos es
relativamente alto, sin embargo, los shocks de gasto públicos tienen efectos más modestos sobre
el nivel de actividad.
El resto del documento está organizado de la siguiente manera. En la sección II se presenta una
revisión de la literatura empírica sobre los efectos reales de la política fiscal. La estrategia
empírica es discutida en la Sección III. En primer lugar se describe la metodología SVAR,
utilizada en la identificación de los shocks de gasto y de impuesto. A continuación se describe la
metodología empleada en el cómputo de la elasticidad ingreso. Finalmente, en la Sección IV se
realiza una discusión de los resultados encontrados y su contraste con lo documentado en la
literatura para el caso de la Republica Dominicana, así como las conclusiones.
2. Revisión de Literatura
La literatura empírica de los efectos reales de la política fiscal se caracteriza por una importante
heterogeneidad de los resultados en términos de la respuesta del PIB a cambios en las medidas
del gasto público y los ingresos del gobierno. No obstante el amplio rango de multiplicadores
estimados del gasto fiscal, la tendencia en la literatura resalta que la política tributaria tiene
mayor impacto en la actividad real que la de gasto público.
El enfoque narrativo consiste en acceder los registros de cambios de postura en la política fiscal,
ya sea a través de variaciones en el gasto público o en los ingresos tributarios, e indagar si estos
se deben a una respuesta al estado de la economía o no. En caso de que dichos cambios no se
deban a variaciones en el estado de la economía, estos son fichados como cambios “exógenos” y
son empleados para estimar la respuesta de la economía, en especial, la actividad real. Esta
metodología ha sido utilizada por Ramey y Shapiro (1997); Edelberg, Eichenbaum y Fisher
(1999); y Burnside, Eichenbaum y Fisher (2000), quienes concluyen en un crecimiento
concomitante entre el gasto de defensa militar y el PIB para los Estados Unidos (Blanchard y
Perotti, 2002).
4
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
Por otro lado, debe tomarse en cuenta también el ejemplo del análisis de impulso respuesta de
Blanchard y Perotti (2002), que comprueba la sensibilidad del estudio a las ventanas de
períodos considerados para EU. Esto se confirma con la inclusión de la década de los 50´s a su
periodo inicial de 1960-1997, incrementando significativamente los multiplicadores de
impuestos y gastos.2
Según Restrepo y Rincón (2005), la importancia del estudio de los choques de política fiscal
surge de la necesidad de conocer a fondo la reacción de la demanda agregada, a partir de las
decisiones del gobierno, para cumplir con las metas de política establecidas por los Bancos
Centrales.
En resumen, existe evidencia empírica para Estados Unidos (Blanchard y Perotti, 2002; Caldara
y Kamps, 2008; Swisher, 2010), Croacia (Ravnic y Zilic, 2010), Italia (Giordano, Momigliano,
Neri y Perotti, 2008), algunos países de la OCDE3 (Perotti, 2004), mientras que para el caso de
países latinoamericanos tenemos a Brasil, Chile, México y Colombia (Restrepo y Rincón, 2005;
Cerda, González y Lagos, 2005; Fonseca, Carvalho y da Silva, 2011). El Cuadro 1 resume la
respuesta estimada del producto a cambios en los ingresos y los gastos.
2 La serie de impuestos de EU tiene cambios importantes que explican el aumento de la elasticidad en el periodo que
incluye la década de los 50. Un crecimiento de 26% en el segundo trimestre de 1950, y otro de 17% en el trimestre
siguiente. Estos cambios se observan luego de una caída de 8% en el primer trimestre de 1950.
3 Organización para la Cooperación y el Desarrollo Económico, OCDE.
5
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
ingreso del producto bajo el mismo cálculo de Perotti (2004) de 1.85.4 Sin el uso del estabilizador
automático, el impacto se mantiene positivo hasta que la elasticidad llega a 1.9, y la respuesta
del PIB se vuelve negativa cuando la elasticidad pasa de 2. Estos resultados muestran la
sensibilidad del estudio a los valores calibrados de la elasticidad ingreso del producto del
acercamiento de Blanchard y Perotti (2002).
Por otro lado, en base a una diferente interpretación de los choques de impuestos sobre el
producto, Perotti (2004) toma el impacto de un recorte de tasas impositivas para compararlos
con los resultados de choques de gastos para algunos países de la OCDE. La respuesta del
producto a un recorte de tasas es pequeña y consistentemente positiva para Estados Unidos y
Reino Unido, significativamente negativa para Alemania, Canadá y Australia.
El choque de ingresos sobre la producción industrial en el caso de Croacia, Ravnic y Zilic (2010)
encuentran un efecto negativo en los primeros tres meses del análisis que luego se torna
positivo, pero con un efecto muy volátil. Luego de 10 meses el efecto no se anula por completo,
lo que implica que el choque en las tasas de los impuestos tiene un impacto permanente en la
cantidad de recaudaciones percibidas.
Destacando que los diferentes tipos de ingresos tributarios no son estadísticamente homogéneos
por diferentes razones, e incluyendo el número de reformas tributarias elaboradas en el periodo
del estudio, Giordano, et. al (2008) encuentra, contra-intuitivamente para Italia, un efecto
positivo y significativo sobre el PIB, sin embargo, este efecto es pequeño y transitorio,
alcanzando un pico de 0.16% del PIB en el quinto trimestre, mientras que el choque de
impuestos en las demás variables del estudio son pequeñas.
Para el caso de América Latina (AL), Cerda, González y Lagos (2005) observan un choque
positivo del ingreso por impuestos tiene un efecto negativo de baja magnitud sobre el producto
durante un trimestre, para el caso de Chile, mientras que un choque positivo del gasto público
tiene un efecto negativo y significativo sobre el producto inmediatamente en el primer
trimestre. En un caso similar, los resultados de Restrepo y Rincón (2005) para el gasto público
no concuerdan con los obtenidos por Cerda et al. (2005), no obstante si coinciden los efectos del
ingreso sobre el producto.
Restrepo y Rincón (2005) encuentran para Colombia que un aumento en el ingreso fiscal no
tiene efecto alguno sobre el PIB, mientras que el gasto público tiene un efecto positivo de baja
magnitud sobre el producto, pero altamente significativo.5
4 Esta elasticidad ingreso del producto es la respuesta automática de cambios inesperados en el PIB, se les utiliza
como estabilizadores automáticos. (Caldara y Kamps, 2008)
5 Para el caso de Colombia, Restrepo y Rincón (2005) por la naturaleza de la serie de tiempo se estima un SVEC
porque las variables utilizadas en el modelo no son estacionarias y cointegran, es decir que poseen una relación
estable de largo plazo, por lo que un SVAR no sería la correcta especificación dado que el término de corrección de
errores no estaría incluido en el SVAR.
6
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
Para la República Dominicana, Tejada (2012) aplica un modelo econométrico con el objetivo de
estimar el multiplicador fiscal del gasto y el ingreso público en el PIB, el consumo privado y la
inversión bruta fija. Concluye que los multiplicadores fiscales en RD son pequeños y de corta
duración, y en línea con la teoría keynesiana, donde un incremento de 1% del gasto representa
un incremento acumulado del consumo privado de 0.28% luego de un año, y por otro lado, el
aumento de 1% de los ingresos supone una caída de la inversión equivalente a 0.51%.
De la misma manera, Morla (2013) también sugiere que la respuesta de producto sigue el
modelo keynesiano, donde un choque positivo al gasto induce aumentos graduales en el PIB
durante los primeros tres trimestres, luego el efecto cae; y en el caso de los impuestos, presenta
un efecto negativo sobre el producto, llegando a su efecto máximo entre el sexto y octavo
trimestre.
3. Estrategia Empírica
La estrategia empírica empleada para la cuantificación de los efectos de la política fiscal sobre la
actividad económica es la propuesta por Blanchard y Perotti (2002) que consiste en la estimación
de shocks fiscales, es decir, movimientos exógenos del gasto y los ingresos públicos. La
estimación de estos shocks requiere imponer las restricciones apropiadas sobre las relaciones
contemporáneas entre las variables fiscales y las variables macroeconómicas. Una vez
obtenidos, la información contenida en las innovaciones estructurales son empleadas para
cuantificar la respuesta del producto a cambios exógenos en la política fiscal.
La representación básica del SVAR, en su forma reducida, propuesta por Blanchard y Perotti
(2002) incluye un vector tridimensional , - en logaritmos trimestrales que incluyen
el gasto gubernamental, ingreso fiscal y PIB, con residuos de forma reducida que tendrán
correlaciones cruzadas contemporáneas distintas de cero determinadas por , - .6
( ) ( )7
La recuperación de los shocks estructurales a partir de los residuos de forma reducida requiere
establecer restricciones contemporáneas sobre las variables consideradas en el análisis. Estas
restricciones toman en cuenta tanto la teoría económica como el comportamiento de los
hacedores de política. La identificación propuesta por Blanchard y Perotti (2002) se basa
principalmente en captar shocks estructurales no correlacionados entre sí ( ). A saber,
( )
( )
( )
7
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
La ecuación (3) representa que cambios en los impuestos puede ser por tres factores,
movimientos en el PIB ( ), la respuesta a cambios estructurales en el gasto ( ) y
finalmente en los impuestos ( ). Las ecuaciones (2) y (4), del gasto y el producto
respectivamente, captan en base a otras consideraciones, los efectos de los cambios en las
variables especificadas.
Los coeficientes ( ) representan las elasticidades del gasto e impuestos respecto del PIB. Al
igual que en Blanchard y Perotti (2002) se considera que el gasto público no responde
contemporáneamente a cambios en el producto. Por el contrario, se asume que los ingresos
responden a las condiciones económicas de manera contemporánea, por lo que es estimada.
En términos matriciales se tiene que:
[ ][ ] [ ][ ] ( )
Las reformas tributarias son choques sobre las recaudaciones de impuestos. Los efectos de estos
choques sobre el PIB tienen una alta importancia para los hacedores de política fiscal y
monetaria por la utilidad al momento de la toma de decisiones, al igual que los choques de
gasto.
El cálculo de la elasticidad ingreso del producto capta el efecto automático de la política fiscal.
La elasticidad con respecto al producto ( ) por Blanchard y Perotti (2002), se calcula con la
elasticidad por tipo de impuesto i ( ) con respecto a su base impositiva, la elasticidad de
8
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
cada base i con respecto al producto ( )y representa la proporción que ocupa cada tipo de
impuesto i con respecto al total de impuestos.
∑ ( )
Para la elaboración de una elasticidad ingreso del producto robusta con una baja volatilidad
para RD fue necesaria la exclusión de los cambios estructurales en la serie tomada en cuenta
producto de las renovaciones en la estructura impositiva aprobadas por el Poder Legislativo a
lo largo de la muestra considerada.
4. Resultados
En esta sección se presentan y discute los resultados obtenidos de la estimación del SVAR. El
conjunto de información considerado contiene datos del gasto público total (corriente y de
capital), ingresos tributarios (corrientes) y nivel de actividad económica, medido a través del
PIB real. La muestra abarca el periodo 1998-2012 en frecuencia trimestral. La fuente de la
información es el Ministerio de Hacienda y el Banco Central de la República Dominicana.
En cuanto a los ingresos tributarios, tal como se mencionó en la sección anterior, son corregidos
a través de la eliminación de los cambios asociados a las reformas tributarias a lo largo de la
muestra considerada. La estimación del VAR irrestricto es basada en 4 rezagos tal como es
sugerido por el contraste de Akaike y el contraste LM de no autocorrelación. A continuación se
procedió a la estimación de los coeficientes de las relaciones contemporáneas, establecidas en la
ecuación 5. Esta estimación se realiza condicional a la elasticidad ingreso – producto estimada
en la sección 3.1. Los intervalos de confianza reportados son los de bootstrap. La Figura 1
muestra los resultados del ejercicio.
9
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
-0.04 Trimestres
-0.2 Trimestres
-0.3
-0.4
-0.5
-0.6
-0.7
Los principales resultados obtenidos por la metodología SVAR indican que el efecto del choque
de 1% del gasto público total impulsa un aumento del producto de 0.08% al tercer trimestre,
mientras que un choque de 1% en los ingresos públicos totales generan una disminución
inmediata de -0.54% en el PIB. Se obtuvieron estas magnitudes en base a las transformaciones
correspondientes de las series.
La comparación de estos resultados con otros estudios realizados para el caso de la economía
dominicana es complicada, debido a que estos no presentan los impactos de cambios en las
variables fiscales sobre el producto en un formato que sea posible reconstruir la escala. No
obstante, las diferencias en el caso de los shocks de gasto no son muy disímiles: estos no tienen
un impacto importante sobre la dinámica del producto. No obstante, para el caso de los
impuestos los resultados de Morla (2013) no muestran respuesta del PIB a shocks de impuestos
(estadísticamente significativo), mientras que en el caso de Tejada (2012) la respuesta del PIB en
términos acumulados es 50% menor al nivel estimado en este estudio.
10
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
5. Conclusiones
6. Referencias
1. Afonso, A. y Sousa, R.M. (2009). “The macroeconomic effects of fiscal policy”. Working
Paper Series No. 0991. European Central Bank.
2. Bernanke, B. y Mihov, I. (1998). “Measuring Monetary Policy”. The Quarterly Journal of
Economics. Vol. 113. No. 3. pp. 869-902.
3. Blanchard, O. y Perotti, R. (2002). “An Empirical Characterization of the Dynamic Effects of
Changes in Government Spending and Taxes on Output”. The Quarterly Journal of
Economics. pp. 1329-1368.
4. Caldara, D. y Kamps, C. (2008). “What are the Effects of Fiscal Policy Shocks? A VAR Based
Comparative Analysis”. Working Paper Series No. 877. European Central Bank.
5. Cerda, R., González, H. y Lagos, L. (2005). “Efectos Dinámicos De La Política Fiscal”.
Cuadernos De Economía. Vol. 42. pp. 63-77.
6. de Paiva Fonseca, H.V., Carvalho, D.B., y da Silva, M.E.A. (2011). “The Dynamic Effects of
Fiscal Shocks in Latin American Countries”.
7. Dickey, D. y Fuller, W. (1981). “Likelihood Ratio Statistics for Autoregressive Time Series
with a Unit Root”. Econometrica, Econometric Society, Vol. 49, No. 4, pp. 1057-72.
8. Momigliano, S., Giordano, R., Neri, S., y Perotti, R. (2008). “The Effects of Fiscal Policy in
Italy: Evidence from a VAR Model”. Bank of Italy Temi di Discussione. No. 656.
9. Mountford, A. y Uhlig, H. (2008). “What are the Effects of Fiscal Policy Shocks?”. NBER
Working Papers No. 14551, National Bureau of Economic Research, Inc.
10. Perotti, R. (2004). "Estimating the effects of fiscal policy in OECD countries”. Working
Papers No. 276, IGIER (Innocenzo Gasparini Institute for Economic Research), Bocconi
University.
11
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
11. Phillips, P. y P. Perron, (1986). “Testing for a Unit Root in Time Series Regression”. Cowles
Foundation for Research in Economics, Yale University, Cowles Foundation Discussion
Papers 795R.
12. Restrepo, J. y Rincón, H. (2005). “Identifying Fiscal Policy Shocks in Chile and Colombia”.
Banco Central de Chile. Working Paper No. 370.
13. Swisher, S. (2010). “The Response of Output to Fiscal Policy in a VAR Framework: Two
Alternatives for Identifying Shocks”. University of Wisconsin-Madison.
ANEXOS
Figura A1. Efectos de las Reformas Fiscales sobre las Recaudaciones por tipo de impuesto.
12
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
13
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
14
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
Canadá 1.86
Cuadro 4. Elasticidad ingreso calculada por tipo de impuesto según su base impositiva.
Elasticidad Impuesto de la Renta sobre el PIB 1.52
Elasticidad Impuesto de Patrimonio sobre el PIB 1.83
Elasticidad Impuesto de Mercancía y Servicios sobre el Consumo 1.65
Elasticidad Impuesto de las Importaciones sobre el Total de Importaciones 1.16
Elasticidad Impuesto de las Exportaciones sobre el Total de Exportaciones 3.14
Elasticidad Otros Impuestos del Comercio Exterior sobre el PIB 0.26
Elasticidad Otros Impuestos sobre el PIB 0.37
15
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
1. Introducción
2. Metodología
La serie de inflación es una realización de un proceso estocástico que contiene dos conjuntos de
información y un ruido blanco. El primer conjunto, denotado por , contiene los desvíos o des-
alineamientos macroeconómicos y, el segundo conjunto, , incorpora la tasa de crecimiento
monetario ( ), la depreciación nominal ( ), la inflación salarial ( ) y la inflación externa
( ). Este proceso se puede expresar matemáticamente de la siguiente manera:
( ) (1)
* ( ) ( ) ( ) + (2)
1
División de Investigación Económica, Departamento de Programación Monetaria y Estudios
Económicos. El autor agradece las sugerencias de Fidias Díaz de la División de Investigación Económica.
Para preguntas y comentarios escribir a j.michel@bancentral.gov.do
16
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
{ , -} (3)
Donde es un vector de variables conocidas que determinan la relación de largo plazo en cada
uno de los mercados. Para cada mercado, tenemos un vector En el mercado laboral,
contiene el logaritmo de los salarios ( ), el logaritmo de los precios ( ), el logaritmo de la
productividad ( ) y el logaritmo del desempleo ( ) en el mercado monetario, el logaritmo
de saldos reales ( ), el logaritmo del producto ( ) y la tasa de interés nominal Activa a 90
días ( ); mercado externo, el logaritmo del tipo de cambio ( ), el logaritmo de los precios
internos y el logaritmo de los precios externos ( ) Los residuos son independientes
y siguen una distribución normal multivariada con media cero y varianza (Λ). Basado en estos
supuestos se estima consistentemente la ecuación (4) por el método Máxima Verosimilitud. La
matriz tiene dimensión pxp, donde p es la dimensión del vector de variables endógenas
Por otro lado, la matriz contiene las relaciones de largo plazo que vienen determinadas por su
rango. Hay tres posibles casos:
i) Rango( ) .La matriz tiene rango completo, indicando que el vector de sigue
un proceso estacionario. En otras palabras, todas las variables son estacionarias.
ii) Rango( ) . Ausencia de cointegración; se puede estimar un VAR en primeras
diferencias.
iii) 0< Rango( ) . Evidencia a favor de la hipótesis de cointegración. Por ende, la
matriz se puede factorizar en , donde β es el vector de coeficientes de la
relación de largo plazo.
En el caso de satisfacer iii, podemos decir que existe un vector de cointegración, el cual nos
permite estimar los compontes de . Éstos se definen de la siguiente manera:
( ) ( ) (5)
( ) ( ) (6)
17
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
( ) ( ) (7)
, ( ) ( )- ∑ ( ̃) (8)
Los valores atípicos se aprecian con mayor nitidez en las variables en primeras diferencias. En
caso del crecimiento de los salarios, tenemos valores atípicos en 2003q3 y 2003q4. La inflación
muestra tres valores atípicos, 2003q1, 2004q1 y 2008q4. Por último, en el caso del desempleo,
sobresalen tres valores atípicos: 1994q1, 2004q3 y 2008q1.
18
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
El conjunto de variables que fueron utilizadas para estimar la función de demanda de dinero se
presentan en la figura 3. El logaritmo de los saldos reales parece tener un comportamiento
similar al de una tendencia puramente estocástica, y no se observa un patrón tendencial
“determinístico.” Por el contrario, en el caso del logaritmo del PIB, se observa un
comportamiento parecido al de una tendencia lineal “determinística”. También hay que resaltar
la existencia de valores atípicos en el caso de los saldos reales. Aunque se observa un gran
número de picos en estas variables, cabe resaltar cuatro de ellos, 1999q4, 2003q2, 2003q4 y
2007q4. En el caso del logaritmo del PIB, se observa varios picos en el periodo de la crisis a
partir de 2003q2 y terminando en 2004q2.
4.0 4.4
3.6 4.0
3.2 3.6
2.8 3.2
2.4 2.8
92 94 96 98 00 02 04 06 08 10 92 94 96 98 00 02 04 06 08 10
10.2 3.0
10.0 2.9
9.8 2.8
9.6 2.7
9.4 2.6
92 94 96 98 00 02 04 06 08 10 92 94 96 98 00 02 04 06 08 10
Fuente: Banco Central de la República Dominicana y cálculos del autor.
El conjunto de variables que fueron utilizadas para estimar la función de demanda de dinero se
presentan en el gráfico tres. El logaritmo de los saldos reales parece tener un comportamiento
similar al de una tendencia puramente estocástica, no se observa un patrón tendencial
determinístico. Por el contrario, en el caso del logaritmo del PIB se observa un comportamiento
parecido al de una tendencia lineal “determinística.” También hay que resaltar la existencia de
valores atípicos, en el caso de los saldos reales. Aunque se observa un gran número de picos en
estas variables, cabe resaltar cuatros, 1999q4, 2003q2, 2003q4 y 2007q4. En el caso de logaritmos
del PIB se observa varios picos en el periodo de la crisis a partir de 2003q2 y terminando en
2004q2.
19
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
.15 .20
.10 .15
.05 .10
.00 .05
-.05 .00
-.10 -.05
-.15 -.10
92 94 96 98 00 02 04 06 08 10 92 94 96 98 00 02 04 06 08 10
.10 .1
.05 .0
.00 -.1
-.05 -.2
-.10 -.3
92 94 96 98 00 02 04 06 08 10 92 94 96 98 00 02 04 06 08 10
Al llevar las series a primera diferencia, como era de esperarse, desaparecen las tendencias
determinísticas y/o estocásticas y se muestran de forma más nítida los valores atípicos. En los
saldos reales se observa un valor atípico en 2003q2. En la tasa de interés se observan valores
atípicos en 2005q2 y 2008q3.
20
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
7.4
11.2
7.2
7.0 10.8
6.8
10.4
6.6
6.4 10.0
92 94 96 98 00 02 04 06 08 10 92 94 96 98 00 02 04 06 08 10
30
25
20
15
10
5
92 94 96 98 00 02 04 06 08 10
Las variables externas, logaritmo del IPC de EE.UU. ( ), y del tipo de cambio ( ), tienen
cambios de tendencia. El tipo de cambio muestra una ruptura a partir de 2002q2, pero también
valores atípicos entre 2002q4 y 2004q2. Los más destacado en ( ) es el cambio de tendencia
observado en el tercer trimestre de 2008q3, explicado por la crisis mundial.
.15
.4
.10
.2
.05
.0
.00
-.2 -.05
-.4 -.10
92 94 96 98 00 02 04 06 08 10 92 94 96 98 00 02 04 06 08 10
-4
-8
92 94 96 98 00 02 04 06 08 10
21
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
Logaritmo del tipo cambio bilateral US$/RD$ Logaritmo del indice de precio al consumidor de Estados Unidos
4.0 5.4
3.6 5.3
5.2
3.2
5.1
2.8
5.0
2.4 4.9
92 94 96 98 00 02 04 06 08 10 92 94 96 98 00 02 04 06 08 10
Logaritmo tipo de cambio bilateral US$/RD$ Logaritmo indice de precio al consumidor de Estados Unidos
.3 .04
.2
.02
.1
.00
.0
-.02
-.1
-.2 -.04
-.3 -.06
92 94 96 98 00 02 04 06 08 10 92 94 96 98 00 02 04 06 08 10
Fuente: Banco Central de la República Dominicana y cálculos del autor.
∑ (9)
22
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
Los resultados del contraste ADF nos permite afirmar que las series son integradas de primer
orden. Por consiguiente, no existe evidencia que permita rechazar la hipótesis nula (de
existencia de una raíz unitaria) para las series en niveles al 5% de significancia. Por el contario,
en primeras diferencias, la información disponible permite rechazar la hipótesis nula.
0.9298 1 11 71
0.9616 4 11 71
0.0507 4 11 71
0.8041 1 11 71
0.9680 4 11 71
0.3547 1 11 74
0.7480 2 11 73
0.8620 0 11 75
( ) 0.0002 3 11 71
( ) 0.0001 0 11 74
( ) 0.0019 3 11 71
( ) 0.0367 3 11 71
( ) 0.0001 0 11 74
( ) 0.0065 3 11 71
( ) 0.0000 0 11 74
( ) 0.0000 1 10 65
( ) 0.0010 0 10 66
23
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
La normalización del primer vector de cointegración del mercado laboral corresponde a una
curva de salario de largo plazo. Los coeficientes tienen los signos teóricamente esperados y se
interpretan como elasticidades de largo plazo. Los aumentos de precio se traducen en
incrementos de salarios de menor magnitud. En igual sentido, los incrementos de
productividad se traducen en mayores salarios. No obstante, el incremento de salario es inferior
a la expansión de la productividad. El aumento de la tasa de desempleo de 1% conlleva una
caída de los salarios de 0.30%, siempre que los demás factores se mantengan constantes.
(10)
(11)
( ) (12)
24
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
5. Modelo de Inflación
En este capítulo se presentan los resultados de las estimaciones del modelo. En el mismo, la
inflación es el resultado de la inflación salarial, la inflación externa, la inflación monetaria, la
depreciación y los des-alineamientos en los diferentes mercados. La ecuación (13) contiene los
resultados:
( )
( ) ( ) (13)
Valor P.
Prueba Hipótesis Nula Estadístico Conclusión
Estadístico Value
Breusch- No se rechaza la
Godfrey hipótesis nula
Ausencia de auto Obs*R-
Serial 7.873144 0.1638 niveles
correlación squared
Correlation convencionales
LM de 1%, 5% y 10%
No se rechaza la
Homocedasticidad hipótesis nula
Obs*R-
Test White (ausencia 11.37983 0.3287 niveles
squared
heterocedasticadad) convencionales
de 1%, 5% y 10%
No se rechaza la
hipótesis nula
Jarque Bera Normalidad Jarque Bera 0.65 0.72 niveles
convencionales
de 1%, 5% y 10%
6. Conclusiones
De las variables consideradas en el modelo, la inflación externa tiene el mayor impacto. La
inflación salarial impacta la inflación de precios con un rezago de dos trimestres. El tipo de
25
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
7. Referencias
1. Juselius, K., (1995). "Domestic and Foreign Effects on Prices in an Open Economy. The Case of
Denmark". Reprinted in Ericsson and J.S. Irons (eds.) Testing Exogeneity. Advanced texts in
Econometrics, Oxford University Press.
2. Johansen, S., (1988). “Statistical Analysis of Cointegration Vectors,” Journal of Economic
Dynamics and Control, Vol. 12, No. 2–3, pp. 231–254.
8. Apéndice
Descripción de variables:
( )
Se utiliza el IPC del último mes de cada trimestre publicado por el BCRD, que se publica entre
la segunda y tercera semana del mes siguiente.
26
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
Desempleo (U)
Productividad (Y/L)
Se utiliza la serie del agregado monetario M1, que consiste de los billetes y monedas en poder
del público y los fondos transferibles y, dentro de éstos últimos, están las cuentas corrientes y
de nóminas del sistema financiero dominicano. La oferta real se construye dividiendo la oferta
nominal entre el IPC. Los agregados monetarios se publican semanalmente.
Tipo de cambio promedio mensual de la encuesta a los bancos comerciales realizada por el
BCRD. Dicha encuesta se realiza diariamente.
27
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
1 12.58286 0.1824
2 12.42587 0.1904
3 9.634359 0.3809
4 4.213143 0.8968
5 5.941602 0.7457
LTC dppp
VEC White test 1 6.165942 0.1871
H0: Homocedasticidad 2 5.237420 0.2638
Variables Chi-sq df Prob. 3 18.07250 0.1012
4 5.783770 0.2159
LW, LP, LPRODU, LU 373.7366 340 0.1005
5 2.212507 0.6967
Mr, LY r 154.9130 162 0.6415
LTC dppp 184.1920 171 0.2322
28
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
1. Introducción
Un fractal se define como un objeto geométrico cuya composición básica se repite a diferentes
escalas y que posee dos propiedades fundamentales: auto-similitud escalar y dimensión
fraccional (no entera). La auto-similitud escalar es una característica bajo la cual un sub-
conjunto, que es magnificado a la escala de la estructura completa, no presenta diferencia con
respecto a la estructura global. Por otra parte, la dimensión fractal se puede definir como el
número que sirve para cuantificar el grado de irregularidad, fragmentación y rugosidad de un
conjunto geométrico o de un objeto natural.
La literatura teórica enfatiza cómo resulta natural la asociación del comportamiento de los
mercados financieros con las propiedades de los fractales, siendo admisible la coexistencia de
determinismo global y aleatoriedad local.
El mercado cambiario ha sido objeto de estudio durante varias décadas y, de manera más
específica, los modelos para predecir el comportamiento de corto plazo de dicha variable todo
un desafío, como se documenta en la literatura empírica, llegándose a la conclusión de que el
modelo de caminata aleatoria se plantea como la técnica que arroja los mejores resultados de
proyección de tipo de cambio, en el corto plazo (Meese & Rogoff (1983), Frankel & Rose (1994)).
De esta manera, se apela al análisis fractal, a fin de llevar a cabo proyecciones de corto plazo
(haciendo uso de un modelo basado en información fraccional) tanto para períodos de gran
incertidumbre cambiaria (año 2003) como para intervalos de tiempo posteriores a la crisis
financiera del 2003, a fin de verificar el desempeño de dicho modelo en distintos escenarios.
29
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
autores destacan que la información obtenida a partir del análisis fractal puede ser utilizada
como base para el análisis de momentos y otras formas de análisis técnico.
Kumagai (2002) estudia la estructura fractal de la serie de tipo de cambio yen/dólar y propone
un método basado en la utilización de valores extremos, determinados por una escala, con el
propósito de definir una dimensión fractal independiente de la escala de tiempo, la cual permite
describir de forma más minuciosa la dinámica del mercado cambiario. Wang et al. (2011)
investigan el comportamiento multifractal de la serie de tipo de cambio del dólar con respecto a
varios países, encontrando que tanto las colas gruesas como los eventos extremos observados en
las series contribuyen significativamente a la multifractalidad de las series de tipo de cambio
consideradas. Del mismo modo, Oh et al. (2012) llevan a cabo un estudio de multifractalidad
para las series de tipo de cambio de varios países asiáticos, evidenciándose características
multifractales para cada una de las series consideradas y observando los efectos de la crisis
asiática sobre el mercado cambiario al estimar el espectro multifractal para determinados
períodos de tiempo.
Otros autores se enfocan en la utilización de las características fractales de la serie, como por
ejemplo la dimensión fractal, para desarrollar algoritmos que permitan proyectar el
comportamiento futuro de la misma. Este es el caso de Richards (2004), quien emplea un
modelo de transición de estado para predecir la probabilidad de eventos extremos, Loskutov et
al. (2001) utilizan el análisis de espectro singular (SSA) para proyectar el comportamiento de la
actividad solar, entre otros.
2. Metodología y Datos.
Este trabajo se basa en el estudio de la serie histórica de tipo de cambio diario extrabancario de
República Dominicana, para el período 1992-2013, con periodicidad diaria (disponibles en el
sitio web del Banco Central de la República Dominicana), considerando el promedio del precio
de compra-venta de pesos por dólares (US$/RD$), así como también la variación interdiaria y el
margen (spread) existente entre estos valores. A continuación se describe la metodología
empleada.
30
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
() ∑ , 〈 〉- (1)
, ⁄ - ( ) () (3)
( ) 2 ∑ , ( )- 3 (4)
donde el índice de la variable q puede tomar cualquier valor real, excepto cero. En este paso se
pretende determinar cómo ( ) depende de la escala de tiempo s para diferentes valores de q,
esperándose que ( ) aumente en la medida que se incremente s. Si las series muestran una
alta correlación, se espera que aumente para valores altos de s, y como ley de poder se tendría:
( )
( ) (5)
31
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
El modelo empleado para hacer proyecciones de la serie de tipo de cambio es el propuesto por
Su (2012), el cual es un algoritmo consistente de los siguientes pasos:
( ( ))
( )
∑ ( ( ))
Donde a=1; es la distancia entre el punto y el punto más cercano en su vecindad ;
( ).
[ ] [ ]0 1 ( )
∑ ( ) ( )
Resolviendo el sistema:
∑ ∑ ∑
( )
∑ ∑
{ }
Resulta importante seleccionar correctamente los insumos del MFPCP (i.e. la dimensión fractal,
la dimensión de embebimiento y el tiempo de retraso), a fin de optimizar los resultados del
pronóstico. La dimensión de embebimiento y el tiempo de retraso se definen formalmente de la
manera siguiente: Se dice que una serie de tiempo * + tiene una dimensión de
32
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
( ) ( ) Y
( ) ( ) ( ) ( )
. ( ) ( ( ) ( ( ))/
Es una inmersión (i.e. es uno a uno entre M y su imagen tanto para como para
).
Feeny et al. (2003) señalan que uno de los métodos más comunes para llevar a cabo la
reconstrucción fase-espacio es el método de los retrasos, utilizado por Takens (1981) y Packard
et al. (1980). Esta técnica emplea una variable observable , a partir de la cual se construyen
vectores d-dimensionales, cuyos elementos están separados por la constante de tiempo de
retraso , de tal manera que se representa [ ( ) ], donde es un índice que
representa el tiempo de retraso y es la dimensión de embebimiento, los cuales son
empleados como insumos en el proceso de reconstrucción fase-espacio.
33
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
( )
( )
Donde ( ) son las coordenadas de fase-espacio del sistema; tras diferenciar y eliminar
( ), se tiene:
( )
( )
Las coordenadas fase-espacio son reemplazadas por el coeficiente diferencial de cada orden y la
información original de la evolución del sistema no se pierde. El coeficiente diferencial se
calcula usando los valores de la serie de tiempo en diferentes instantes:
() ( ) ( ) ( ( ) )
() ( ( ) )
[ ]
() ( ( ) )
34
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
3. Resultados.
Figura 1: Representación del RMS Global vs RMS local para las series de Variación de tipo
de cambio y Spread cambiario (1992-2013).
10
Escala = 1024
0
Fluctuación Local: RMS VarTC
10
RMS de Fluctuación Local de VarTC (F)
Escala = 512
5
Escala = 256
0
RMS (Variación %)
Escala = 128
0
3.5
Escala = 64
0
2.5
Escala = 32
0
2.5
Escala = 16
0
0 1000 2000 3000 4000 5000 6000
Tiempo (días)
Escala = 1024
20
0
Fluctuación Local RMS SpreadTC
RMS SpreadTC Fluctuación Local (F)
10 Escala = 512
Escala = 256
0
RMS (Spread)
2.5
Escala = 128
0
2
Escala = 64
0
2
Escala = 32
0
0 Escala = 16
35
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
Es evidente que rapidez de las fluctuaciones de las series de tiempo ejerce influencia en el
cálculo del RMS global, sesgando el resultado final de este indicador, ya que en el caso de
segmentos con una menor cantidad de observaciones (menor escala) los cambios rápidos y
drásticos en la serie ejercen influencia sobre el RMS global, mientras que en el caso en que la
serie se divide a mayor escala las fluctuaciones menores ejercen mayor influencia.
Los resultados del exponente de Hurst para la serie de tipo de cambio (Variación interdiaria y
Spread) para el período 1992-2013 y 1992-2002 (pre-crisis) se ilustran en las Figuras 2a) y 2b),
respectivamente:
16
VarTC
SpreadTC
Slope H1 = 0.2075
IncTC
Slope H = 0.9924
12
1.5
A partir de los gráficos 2a) y 2b) se infiere que, en el período pre-crisis, la serie de Variación de
tipo de cambio se califica de anti-persistente, ya que tiene un exponente de Hurst equivalente a
0.2075; no obstante, al observar este indicador calculado para la serie completa se observa una
estructura más persistente, reflejada por medio de un cambio en el valor del exponente de Hurst
(H=0.5822), que se vio considerablemente alterado a raíz de la crisis bancaria, que introdujo un
fuerte shock a la serie considerada, haciéndola más sensible y dependiente ante las condiciones
anteriores. En el caso de la serie de Spread cambiario, se constata una estructura persistente
tanto en la etapa pre-crisis (H = 0.7902) como post-crisis (0.9524); no obstante, esta persistencia
se hace mucho más pronunciada en el período post crisis, siendo el valor del exponente de
Hurst muy cercano a 1.
En adición a esta información, el estudio del espectro multifractal resulta interesante por el
hecho de que si bien la dimensión fractal rige la estructura promedio de la serie, en la mayoría
de los casos este parámetro no resulta suficiente para describir la dinámica subyacente de la
misma; por esta razón, el esbozo de un espectro multifractal es de gran utilidad para determinar
qué tipo de distorsiones afectan la serie:
36
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
1.8 hq y Dq
Hq
1.6 1.8
1.6 1.0
1.4 VarTC
1.4 0.8
SpreadTC
1.2 1.2 0.6
Dq
hq
1 0.4
Hq
1
0.8 0.2
0.8
0.6 0
0.6 0.4 -0.2
0.2 -0.4
0.4 -5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5
q-orden q-orden
0.2
-5 -4 -3 -2 -1 0 1 2 3 4 5
q-orden
1
tq
2 0.8
1
0.6
0
-1 0.4
Dq
-2
Espectro Multifractal
tq
0.2
-3
-4 0
-5
-0.2 Ancho hq max - hq min
-6
-7 -0.4
-5 -4 -3 -2 -1 0 1 2 3 4 5 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4
q-order hq
En el panel inferior de la Figura 3 se observa que el espectro multifractal, tanto para la serie de
Variación inter-diaria de tipo de cambio como para el Spread cambiario, tienen largas colas
izquierdas, las cuales indican que las mayores contribuciones a la dinámica de la serie vienen
dadas por dimensiones fraccionales de mayor orden.
Los resultados de la dimensión fractal para la serie de tipo de cambio observada en diferentes
intervalos de tiempo, y estimada en base al algoritmo de Higuchi (1988), se muestran en el
Cuadro 1, así como también su relación con el exponente de Hurst, donde VarTC es la variación
inter-diaria tipo de cambio, Spread_TC es el Spread diario del tipo de cambio y Avg_TC es el
tipo de cambio diario promedio compra-venta.
A partir de los resultados obtenidos para la dimensión fractal, , del valor promedio del tipo
de cambio diario (Cuadro 1) y, tomando en cuenta lo enunciado en el Teorema de Takens
(Teorema 1), se calcula la dimension de embebimiento, , (la cual es un valor entero);
atendiendo a la relación , se puede seleccionar ; el tiempo de retraso es
, siendo éste el argumento del valor máximo de la función de correlación cruzada.
37
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
El ejercicio central de este trabajo emplea una muestra desde Enero-1992 hasta Noviembre 2013
para proyectar los valores de tipo de cambio promedio del mes de Diciembre 2013. Los valores
de los coeficientes para (7) son ; es decir, la ecuación es:
, donde y , representan los valores observados en t-1 y el valor presente del
tipo de cambio promedio, respectivamente. Esto implica que se da una gran ponderación al
valor en ; no obstante, la evolución presente no sólo se explica por este valor en , sino
que se tiene otro coeficiente, , que incide en la trayectoria futura del tipo de cambio. Los
resultados del ejercicio fuera de muestra para Enero-1992 hasta Noviembre 2013 se muestran a
continuación:
Figura 5. Resultados Modelo de Proyección Fractal del Tipo de Cambio (Diciembre 2013).
42.80
42.70 RMSE_Fractal=0.000706
RMSE_RW=0.020139
42.60
42.50
42.40
42.30
20-Nov-13
12-Nov-13
14-Nov-13
18-Nov-13
22-Nov-13
26-Nov-13
28-Nov-13
1-Nov-13
6-Nov-13
8-Nov-13
10-Dic-13
12-Dic-13
16-Dic-13
18-Dic-13
20-Dic-13
24-Dic-13
27-Dic-13
31-Dic-13
2-Dic-13
4-Dic-13
6-Dic-13
38
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
A fin de verificar el desempeño del modelo fractal de corto plazo en diferentes ventanas de
tiempo, se llevaron a cabo diversos ejercicios tomando como muestra distintos intervalos de
tiempo. En este sentido, los ejercicios más relevantes se refieren al período pre-crisis, es decir,
tomar como período muestra el intervalo de tiempo comprendido entre Enero 1992- Diciembre
2002 para proyectar el año 2003, y el período post-crisis (Enero 2005-Noviembre 2013). En el
primer caso (ventana Enero 1992-Diciembre 2002), se pretende verificar el desempeño del
modelo fractal en un período de alta volatilidad cambiaria, como fue el año 2003, proyectando
el valor diario de esta variable en el transcurso de ese año. Los resultados se muestran en la
Figura 6.
En este escenario se encuentran dos razones que ayudan a sustentar la validez del modelo para
fines de pronósticos: en primer lugar, el modelo fractal de corto plazo muestra errores de
pronóstico mínimos y más aun considerando que el año 2003 fue un período de alta volatilidad
cambiaria; en segundo lugar, al comparar los resultados del RMSE del modelo fractal con el
RMSE de la caminata aleatoria se puede apreciar una diferencia significativa, en la medida que
aumenta la incertidumbre sobre el comportamiento futuro del tipo de cambio.
Figura 6. Proyecciones del tipo de cambio diario promedio para el año 2003, tomando como muestra el
período Enero 1992-Diciembre 2002.
0.0 -0.10%
-10.0 0.00%
15-Abr-03
30-Abr-03
14-Nov-03
28-Nov-03
15-Ene-03
30-Ene-03
14-Mar-03
31-Mar-03
15-May-03
30-May-03
14-Feb-03
28-Feb-03
15-Sep-03
30-Sep-03
15-Jul-03
30-Jul-03
16-Jun-03
30-Jun-03
15-Oct-03
31-Oct-03
15-Dic-03
31-Dic-03
15-Ago-03
29-Ago-03
Ahora, cabe preguntarse, ¿cómo el modelo fractal permite obtener resultados tan precisos
basándose en los pasos expuestos previamente? La respuesta radica en gran medida en la
precisión con la cual se seleccionen los insumos que permiten realizar una reconstrucción fase
espacio apropiada, así como también una clasificación basada en el algoritmo de vecindad, se
buscan vectores que tengan una respuesta conocida ante determinados impulsos y, a partir de
esta información, determinar los k vecinos más próximos, basados en una métrica y luego la
mayoría de esos k vecinos cercanos deciden la categoría de la próxima instancia. Para el
escenario del año 2003 se hicieron proyecciones de corto plazo (1 mes) basadas en la
información de la muestra y, en la medida en que se proyectaba un período, se empleaba
nuevamente esa información para proyectar el mes siguiente (siguiendo un proceso iterativo),
39
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
con el propósito capturar los cambios ocurridos en el período previo y que los mismos fuesen
válidos tanto para la reconstrucción fase-espacio como en la aplicación del algoritmo de k-
vecindad. En el Cuadro 2 se resumen los resultados de las proyecciones realizadas para el año
2003, comparando las proyecciones del modelo fractal con la caminata aleatoria y mostrando la
dimensión fractal para cada intervalo de tiempo. En primera instancia, es evidente que el RSME
del modelo fractal supera el RMSE de la caminata aleatoria para todos los meses del año 2003;
del mismo modo, se constata cómo va evolucionando la dimensión fractal en el transcurso de
este año, verificándose cambios abruptos que indican cómo la serie se va volviendo cada vez
más irregular y compleja.
Cuadro 2. RMSE modelo de proyección fractal vs RMSE caminata aleatoria y resultados dimensión
fractal.
Período Dimensión Fractal RMSE_RW RMSE_Fractal
Ene-03 1.2084 0.2602 0.0283
Feb-03 1.2084 0.3981 0.0376
Mar-03 1.2330 0.4101 0.0331
Abr-03 1.2476 0.3127 0.0365
May-03 1.2589 0.2416 0.0444
Jun-03 1.2752 1.2874 0.0581
Jul-03 1.3040 0.2585 0.0719
Ago-03 1.3335 0.3379 0.0687
Sep-03 1.3461 0.8081 0.0622
Oct-03 1.3549 0.3691 0.0723
Nov-03 1.3609 0.4220 0.0076
Dic-03 1.3747 0.7845 0.0767
Fuente: Cálculos de la autora.
Otro de los escenarios alternativos consistió en realizar proyecciones para diferentes ventanas
de proyección, las cuales fueron seleccionadas arbitrariamente a fin de verificar cómo proyecta
el modelo en diferentes intervalos de tiempo. Los resultados de los RMSE tanto para el modelo
fractal como para el caso de la caminata aleatoria se resumen en el Cuadro 3, siendo evidente un
mejor desempeño por parte del modelo fractal de corto plazo.
40
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
Finalmente, se llevó a cabo un ejercicio tomando como punto de partida los valores proyectados
por el modelo para (en lugar de los valores efectivamente observados) y fueron sustituidos
en la ecuación (7). Los resultados para los meses de Enero y Febrero 2014, con sus respectivos
errores de pronóstico, y el RMSE comparado con el Modelo de Caminata Aleatoria se presentan
en la Figura 7, observándose un RMSE menor en el caso de las proyecciones del modelo fractal:
Figura 7. Proyecciones modelo fractal y errores de pronóstico. Comparación RMSE fractal vs RMSE
caminata aleatoria.
42.58 Proyecciones TC_Venta Modelo Fractal y Error de Pronóstico -1.40%
42.58 -1.20%
RMSE_Fractal=0.327
42.57 -1.00%
RMSE_RW=0.332
42.57 -0.80%
42.56 -0.60%
42.56 -0.40%
42.55 -0.20%
42.55 0.00%
42.54 0.20%
6-Dic-13
10-Dic-13
12-Dic-13
16-Dic-13
18-Dic-13
20-Dic-13
24-Dic-13
27-Dic-13
31-Dic-13
2-Dic-13
4-Dic-13
10-Ene-14
14-Ene-14
16-Ene-14
20-Ene-14
23-Ene-14
27-Ene-14
29-Ene-14
31-Ene-14
3-Ene-14
8-Ene-14
Error_Fractal x1 (Fractal)
4. Conclusiones.
Así, en primer lugar, se calcula el exponente de Hurst, a fin de verificar el tipo de dependencia
que exhibe la serie con respecto a las condiciones anteriores, encontrándose evidencia de alta
persistencia para ambos casos en el período 1992-2013. Sin embargo, es importante destacar
que, al calcular este exponente para el período Enero/1992-Diciembre/2002 se encuentra que la
serie ”Variación inter-diaria del tipo de cambio” reflejaba una estructura de ruido rosado (anti-
persistente) antes del shock generado por la crisis financiera sobre el tipo de cambio, el cual se
visualiza en la alta volatilidad que se exhibe en ese intervalo de tiempo y, a raíz de esta
perturbación, se produce un cambio abrupto en el exponente de Hurst. Por otra parte, el
margen de intermediación (Spread tipo de cambio) mantiene su estructura de ruido negro
(persistente); salvo que el valor del exponente se acerca más a uno, por lo que se concluye que
en ambas series se incrementa el nivel de persistencia a raíz de la crisis del 2003.
41
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
Otro de los indicadores empleados para parametrizar la serie estudiada fue el espectro
multifractal, a partir del cual se infiere que la serie de tipo de cambio tiene largas colas
izquierdas, las cuales implican mayor ponderación de dimensiones de mayor orden en la
dinámica de la serie.
Se llevan a cabo proyecciones, tomando como referencia, en este caso, la variable “Promedio
diario compra-venta del tipo de cambio extrabancario”; las proyecciones se basan en un Modelo
fractal de corto plazo propuesto por Su (2012), a partir del cual se obtuvieron resultados
satisfactorios en términos de la alta precisión que presentan con respecto a los valores
observados, incluso en el período de mayor volatilidad cambiaria. Estos resultados vencen el
error de pronóstico del modelo de caminata aleatoria para todos los ejercicios realizados con
diferentes ventanas de proyección, refutando de esta manera la hipótesis propuesta inicialmente
por Meese & Rogoff (1983) y de otros estudios posteriores, los cuales indican que la caminata
aleatoria constituye el mecanismo óptimo para realizar proyecciones de tipo de cambio en el
corto plazo. De manera, que los modelos no paramétricos cimentados en este tipo de estructura
se presentan como un territorio para explotar en búsqueda de nuevas técnicas.
5. Referencias
1. Bohdalová, M. & Greguš, M. (2010). “Markets, Information and their Fractal Analysis”.
Comenius University, Faculty of Management. E-Leader Budapest, 2010.
2. Feeny, B., Lin, G. & Das, T. (2003). “Reconstructing the phase space with fractional
derivatives” ASME Design Engineering Technical Conference , Chicago, Illinois, USA,
September 2-6, 2003.
3. Frankel, J. & Rose, A. (1994). “A Survey of Empirical Research on Nominal Exchange Rates”.
National Bureau of Economic Research (NBER), Working Paper No. 4865.
4. Higuchi, T. (1988). “Approach to an irregular time series on the basis of the fractal theory”.
Physica D. 31, pp. 277–83.
5. Kantelhardt,J., Zschiegner,S., Koscielny-Bunde,E.,Havlin,S., Bunde,A., & Stanley,H.(2002).
“Multifractal detrended fluctuation analysis of nonstationary time series. Physica A No.316, pp.
87–114.
42
Oeconomia, ensayos sobre economía y finanzas Volumen VIII, Número 1
43
œ