PRONOSTICO DE LA VOLATILIDAD DE ACCIONES DE EXXONMOBIL, ROYAL

DUTCH SHELL Y PETROCHINA BAJO EL MODELAMIENTO ARCH Y GARCH

1. Introducción

El presente trabajo busca aplicar la metodología relacionado a la estimación

del modelo ARCH y GARCH observada en clase, la misma será aplicada a un

conjunto de precios de acciones con la finalidad de establecer la existencia de

volatilidad en las series financieras, es decir, períodos de turbulencia en los que sus

precios muestran grandes oscilaciones y periodos de tranquilidad en los que hay una

relativa calma [ CITATION Guj12 \l 10250 ].

Los precios de acciones utilizadas serán tres series financieras temporales

las cuales pertenecen al sector hidrocarburo, la finalidad intrínseca del trabajo

empírico es la determinación de un modelo econométrico que nos permita evaluar la

estabilidad de precios del sector hidrocarburos, tomando como muestra los precios

de acciones de las empresas ExxonMobil, PetroChina, Royal Dutch Shell, una

medida sencilla de la volatilidad de los rendimientos de los activos es su varianza en

el tiempo. Si disponemos de datos sobre los rendimientos de las acciones durante,

por ejemplo, un periodo de 1.000 días, podemos calcular la varianza de los

rendimientos diarios de las acciones restando el valor medio de los rendimientos de

las acciones de sus valores individuales, elevando al cuadrado la diferencia y

dividiéndola por el número de observaciones.[ CITATION Guj12 \l 10250 ].

 Finalmente con el presente trabajo buscamos comprender el efecto de la

volatilidad, la misma que entendemos como una medida de velocidad del mercado,

la cual nos indica que tan rápido se ajustan los precios de los activos financieros,

ante determinados hechos.

2. Desarrollo del ensayo

2.1. Evidencia

Actualmente la volatilidad se ha tornado cada vez más importante por

la valoración de instrumentos financieros y otros derivados, a pesar de la aún no

existencia de teorías precias sobre los movimientos de los tipos de cambio o de

los precios de las acciones. Existen si, modeles interpretativos que ayudan a

comprender ciertos episodios, pero el problema es la precisión que se requiere y

que no lo proporciona la teoría económica. Estas carencias nos llevan a tener que

resolver el problema en el terreno de los métodos estadísticos [ CITATION Ros \l

10250 ].

El presente trabajo empírico se realiza en torno a los retornos de los

títulos, los cuales han mostrado evidencia de presencia de una volatilidad no

constante en el tiempo. Al estudiar la relación dinámica entre las volatilidades de

los rendimientos de los títulos hay que tener en cuenta la volatilidad y la

covarianza asimétrica. El comportamiento asimétrico de la volatilidad hace

referencia a la evidencia empírica según la cual un shock negativo sobre los

rendimientos (caída inesperada del precio) conlleva a un aumento de la

volatilidad mayor que un shock positivo sobre los rendimientos (aumento

inesperado de la misma magnitud) [ CITATION Bro08 \l 10250 ].

 Estudios realizados indican que la volatilidad puede ser capturada por

modelos de varianza condicionada como los modelos de la familia ARCH,

quienes son capaces de poder predecir la varianza futura de un activo.

2.2. Estimaciones econométricas

2.2.1. Características de la volatilidad

Una de las principales características de la volatilidad es que la

distribución de los rendimientos de las empresas Exxon, PTR y RDS

presentan un grado elevado de concentración alrededor de los valores

centrales de las variables, característica particular para la serie de tiempo de

carácter financiero el cual nos indica la existencia de leptocurtosis, lo que

nos indica que las colas en los extremos de las (Fig. 1, 2, 3) son muy

angostas y que hay una mayor concentración en la zona central.

2.2.2. Construcción del modelo econométrico

2.2.2.1 Estacionalidad y prueba de raíz unitaria

Como primer paso para la evaluación de las series temporales

procederemos a revisar los gráficos de tendencias por cada empresa, de los

cuales observamos que en el caso de Exxon y RDS, muestra tendencia

positiva a lo largo del tiempo, contando con variaciones irregulares, lo que

nos llevaría a concluir la no existencia de estacionariedad (Fig. 4, 5), para

concluir certeramente sobre la existencia de estacionariedad

formalizaremos la conclusión con una prueba de raíz unitaria (Tab. 1, 2, 3),

como podemos observar los resultados nos confirman la hipótesis inicial de

no estacionariedad, por lo que para continuar con el proceso de

modelamiento será necesario calcular la primera diferencia de las series.

Habiendo identificado la existencia de raíces unitarias,

procedemos a crear nuevas series de tiempo a partir de la primera

diferencia de los rendimientos, este proceso nos permitirá modelar las

series de tal manera que podamos observar estacionariedad en el modelo,

para validar si la primera diferencia cumple con la hipótesis planteada

ejecutamos nuevamente la prueba de raíz unitaria y validamos los valores

relacionas a la probabilidad (p-value < 5%) y que los valores relacionados a

t-statistic Dickey – Fuller en comparativa contra los valores críticos a 1%,

5% y 10% sea mayor, en conclusión, ejecutando la primera diferencia por

cada serie temporal observamos estacionariedad en cada una de ellas, lo

que nos permitirá continuar con el proceso de modelamiento (Graf. 7-9).

2.2.2.2 Ejecución del modelo AR – Serie sin diferencia

Con la serie temporal original procedemos a ejecutar un modelo

AR (1), ello con el objetivo de validar los resultados estadísticos de la serie

y tener una primera impresión de la significancia estadística, como

podemos observar en la Tab. 7, el cual nos muestra un resumen de los

principales valores estadísticos, concluimos que las series incluidas en el

análisis muestran significancia estadística, llegamos a esa conclusión

debido a que los t- statistic son superiores a 2 absoluto y los p – value son

menores al límite de 5%, cabe mencionar que el modelo inicial solo nos

brinda un primer vistazo de los valores relacionados a la condición de

estadísticamente significativo para las variables analizadas, pero como

podemos observar los coeficientes obtenidos nos muestran una proximidad

al 1 lo que nos indica la persistencia del regresor sobre su valor anterior, lo

que generaría un modelo explosivo es decir un proceso que no es

estacionario.

AR (1)
Compañía
Coefficient T - Statistic Prob R2
PRECIOS_EXXON 0.999881 2157.896 0.0000 0.992629
PRECIOS_PTR 0.999859 2942.039 0.0000 0.996100
PRECIOS_RDS 0.999848 2380.023 0.0000 0.993836
Tabla 7: Resumen de estadísticos – AR (1)

Continuando con el proceso de modelamiento haremos la

superposición comparativa entre las series temporales originales y las

primeras diferencias de los rendimientos, ello con el objetivo de poder

observar las variaciones a lo largo del periodo y su efecto en la volatilidad

y si existe el fenómeno de clusterización o agrupamiento de eventos, en el

Graf. 13 podemos observar a modo de ejemplo los eventos para la serie

dlprecios_RDS.

Figura 12 Gráfico comparativo serie original – serie primera diferencia – RDS

 Del gráfico anexo podemos observar que la serie dlprecios_rds

muestra volatilidad en los periodos 2019 el cual puede responder a

externalidades que generaron ese evento de fluctuación, ante ello podemos

concluir que ante la reducción del precio de la acción los rendimientos

asociados muestran una mayor volatilidad.

Continuando con el análisis de la primera diferencia calculada

procedemos a evaluar el histograma de la serie temporal dlprecio_ptr, el

cual nos muestra (Fig. 3) que la distribución de los datos se da manera

normal pero muestra la peculiaridad de agrupar mayor concentración de

datos en el centro y teniendo colas muy angostas, es decir, las

probabilidades de rendimientos negativos (pérdidas) en el mercado

accionario son mayores que las perdidas por una distribución normal.

La ausencia de normalidad se puede demostrar a través de los siguientes

estadisticos:

- La Cutorsis es de 7.166577 muy superior a la que corresponde a una

distribución estándar de 3.

- El valor de la Asimetría (Skewness) es de 0.222131 levemente inferior

al correspondiente valor de la distribución normal estándar de 0,

indicando una cola derecha mayor a lo normal

- El estadístico Jarque-Bera alcanza un valor de 1103.942, muy alto, lo

que nos lleva a rechazar la hipótesis de la normalidad.

2.2.2.3 Ejecución del modelo AR – Serie primera diferencia

 El modelamiento utilizado será el mínimos cuadrados ordinarios

con AR(1), los resultados obtenidos nos indican que la variable AR (1), es

estadísticamente significativa, ello por los valores resultantes del p-value el

cual es menor al limite de 5%, otro aspecto a considerar el es indicador de

Durbin-Watson el cual es cercano a 2 lo que nos permite concluir la no

existencia de correlación entre los residuos (Fig 8, 9, 10).

Continuando con el proceso de modelamiento es importante la

evaluación de los residuos al cuadrado, para ello generaremos el

correlograma de los residuos por cada serie analizada bajo la regresion AR

(1), dándonos valores de AC y ACP de -0.060 en el primer rezago y

disminuyendo muy gradualmente para los posteriores rezagos, lo cual nos

estaría indicando que existe correlación en los residuos de la serie, lo que

implica la posible existencia de heterocedasticidad en la varianza, el

análisis de los residuos de la serie es de vital importancia debido a que es

una variable incluida en la ecuación final del modelo, dicha variable es un

componente de incertidumbre y permite incluir los efectos de shock en el

modelo, entiéndase por efectos de shock a eventos que repercutan en el

precio de la acción a partir de noticias o eventos externos especulativos.

[ CITATION Ros \l 10250 ]

2.2.2.1 Estimación del modelo ARCH y GARCH

Los modelos ARCH y GARCH se componen de dos ecuaciones,

una para la media condicional y otra para la varianza condicional, y se

resuelven simultáneamente.

Ecuación de la media:
 Υ t =c +δ Υ t −1+ ε t

Ecuación de la varianza del proceso ARCH (1):

σ 2t =ϖ + α ε et−1

Ecuación de la varianza del proceso GARCH (1,1)

σ 2t =ϖ + α ε 2t−1+ β σ 2t−1

El método de estimación de los parámetros de los modelos ARCH

y GARCH diferirá dependiendo de que el modelo haya sido identificado:

(i) sobre los residuos del ajuste de un ARIMA para los retornos o (ii)

directamente sobre los cuadrados de los retornos. [ CITATION Ele04 \l 10250 ].

La identificación, estimación y evaluación de los modelos de

heterocedasticidad condicional ARCH, constituyen un proceso iterativo;

cuyo objetivo final es la obtención de un modelo consistente con la

estructura de los datos y que permita obtener predicciones de la

volatilidad de los retornos, por lo que antes de utilizar el modelo para los

pronósticos es importante evaluar la capacidad predictiva del modelo

utilizando datos crudos [ CITATION Ele04 \l 10250 ].

RDS PTR EXXON

Criterios
ARCH (1) GARCH(1,1) ARCH (1) GARCH(1,1) ARCH (1) GARCH(1,1)

Akaike info criterion -5.519556 -5.391601 -5.040859 -5.142149 -5.519556 -5.827132

Schwarz criterion -5.505318 -5.373976 -5.026759 -5.124528 -5.505318 -5.809334

Hannan – Quinn
-5.514250 -5.385037 -5.035608 -5.135585 -5.514250 -5.820500
criterion
Tabla 18: Resultados modelo ARC (1) y GARCH (1)

Continuando con el proceso de modelamiento, hemos desarrollo la

ecuación de ARCH y GARCH, ello con el objetivo de validar los criterios y

definir qué modelo se ajusta a cada serie temporal (Tabla 11-17), por teoría

entendemos que los criterios para la selección del modelo a usar y con ello la

conformación de la ecuación son los de Akaike, Schwarz y Hannah-Quinn,

como podemos ver en el cuadro resumen adjunto mostramos que para cada

serie temporal los resultados de ARCH y GARCH (1,1), quedaría de la

siguiente manera:

o Para la serie de precios de RDS, definiríamos un modelo

ARCH(1), por los criterios comparados y estableciendo que

teóricamente se debe elegir el menor de los dos modelos

o Para la serie de precios de PTR, definiríamos un modelo

GARCH(1,1), por los criterios comparados y estableciendo que

teóricamente se debe elegir el menor de los dos modelos.

o Para la serie de precios de EXXON, definiríamos un modelo

GARCH(1,1), por los criterios comparados y estableciendo que

teóricamente se debe elegir el menor de los dos modelos.

2.3. Discusión de resultados

A través del proceso efectuado podemos concluir que el análisis previo al

modelamiento, el cual consiste en revisar la estacionariedad y la existencia de

raíces unitarias nos da mayores conocimientos para revisar series temporales

 con un sustento mas académico, ello basado en los procedimientos antes

descritos, si bien los resultados nos indican que los modelos ARCH y GARCH

son modelos que incluyen los efectos de volatilidad podemos observar que la

misma depende de la calidad de evaluación previa.

3. Conclusión

Los resultados que se desprenden de la aplicación del enfoque ARCH al cálculo de

la volatilidad de las acciones ExxonMobil, PetroChina y Royal Ducth Shell son

varios y muy interesantes:

 Existe evidencia de volatilidad financiera en el periodo muestral.

 El análisis sugiere que la misma no es constante (heterocedasticidad).

 La volatilidad no es simétrica. Existe evidencia de asimetría.

 No hay errores de especificación del modelo.

4. Referencias bibliográficas

Brooks, C. (2008). Introductory Econometrics for Finance. New York: Cambridge

University Press.

Elescano, A., & Agüero, Y. (2004). MODELOS ARCH: UNA APLICACIÓN EN EL

PRONÓSTICO DE LA VOLATILIDAD DE ACCIONES COTIZADAS EN

LA BOLSA DE VALORES DE LIMA. PESQUIMAT - UNMSM, 64-79.

Gujarati, D. (2012). Econometrics by Example. London: Palgrave Macmillan.

Rossi, G. (2012). LA VOLATILIDAD EN MERCADOS FINANCIEROS Y DE

COMMODITIES. UN REPASO DE SUS CAUSAS Y LA EVIDENCIA

RECIENTE. Invenio, 59-74.