Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Lectura 2. Correlación Pearson Andres
Lectura 2. Correlación Pearson Andres
Gráfico No. 1
1
0.8
COEFICIENTE
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
18 n
25 n
n
16 l
11 n
13 o
20 go
27 go
3- o
10 p
ay
23 l
30 l
6- l
17 ep
24 ep
ep
ju
ju
-ju
-ju
-ju
-ju
-ju
-ju
g
se
ju
ag
2-
9-
-m
-a
-a
-a
-s
-s
-s
4-
28
La correlación entre activos financie- nancieras del mundo, para cuantificar las
ros ha desempeñado un papel preponde- potenciales pérdidas a las que se enfrenta-
rante en el diseño de la teoría financiera ría el sector financiero. Todos estos im-
moderna. Prueba de lo anterior lo consti- portantes estudios, aceptados como ley por
tuyen las investigaciones de Markowitz parte de los agentes financieros, tienen en
(1959), Treynor (1961), Sharpe (1964) y común el papel principal que le otorgan
Lintner (1965), en cuyo marco se desa- al coeficiente de correlación de Peason para
rrollaron las teorías de diversificación del la consecución de sus conclusiones.
portafolio y el modelo Capital Asset Pri- De igual manera, los trabajos que han
cing Model (CAPM) y que permitieron a estimado la relación contemporánea en-
Ross (1976) la creación del modelo Arbi- tre variables financieras en Colombia han
trage Pricing Theory (APT), el cual gra- asumido normalidad y/o linealidad en la
cias a Campbell, Lo y MacKinlay (1997) dependencia. En un trabajo pertinente
2
A manera de ejemplo el 27 de octubre de 2004 el coeficiente de correlación intradía entre los títulos TES
de abril del 2012 y la tasa de cambio peso dólar fue de 0.55 indicando una evolución directa entre estas dos
variables; contradiciendo el comportamiento observado por el mercado al presentarse una disminución al
cierre del día de 1 pb para los TES frente a un incremento en la tasa de devaluación de 7 bp.
ODEÓN, N°2
165
los de Bouyé y Salmon (2001) y Salmon torias uniformes4. Por lo anterior, es posi-
(2001) se ha desarrollado una línea de in- ble concluir que la cópula logra capturar
vestigación completa en los últimos años; toda la información que sobre dependen-
la misma pretende corregir los errores co- cia exista en el conjunto de variables, en
metidos por la teoría convencional en el la media en que se encuentra definida por
tema de dependencia entre activos finan- la transformación uniforme de las distri-
cieros; utilizando para ello un concepto buciones marginales; independientemen-
desarrollado por Sklar (1959) a partir de te de la distribución de probabilidad que
la teoría de probabilidad en espacios mé- tengan cada una de ellas.
tricos conocido como “cópula”. En virtud de lo anterior, la determi-
nación de las relaciones de dependencia
2.1. Definición de cópula entre dos activos financieros mediante la
estimación de una cópula, elimina la ne-
Como se mencionó antes, la meto- cesidad de contar con el supuesto de dis-
dología de las cópulas permite incremen- tribución de probabilidad normal para
tar la eficiencia de las medidas de interpretar adecuadamente la causalidad
dependencia. Teniendo en cuenta que el que presenten los mismos; permitiendo a
presente documento tiene como interés la vez alcanzar indicadores de dependen-
privilegiar las conclusiones cuantitativas, cía más adecuados.
sin profundizar en el componente teórico
bajo el cual son alcanzadas las mismas, 2.2. Medidas de dependencia
solamente se presentará la definición de
cópulas que a continuación aparece3. De acuerdo con Embretchts (2000)
Una cópula es una función de distri- una medida de dependencia es un indica-
3
Aquellas personas interesadas en profundizar en el tema pueden encontrar una valiosa ayuda en los traba-
jos de Sklar (1963) y Nelsen (1999).
4
Sklar (1959) desarrolló una importante conclusión sobre cópulas, al afirmar que en la medida en que
las funciones de distribución marginal sean continuas, entonces se puede aseverar que la cópula encon-
trada es única.
ODEÓN, N°2
167
5
Las ecuaciones y definiciones presentada siguen en su mayoría a Embrechts et al. (1999).
6
Además de solo cumplir con los dos primeros criterios de un conjunto de cuatro necesarios para operar
como medida de dependencia perfecta, los cuales son en su orden: simetría, normalización, comonoticidad
y contramonoticidad y por último ser estrictamente monótona sobre el rango de las variables aleatorias bajo
las cuales opera.
7
Esta propiedad no es deseable cuando las variables tienen el fenómeno catalogado como de colas gordas;
lo cual es el caso de las variables financieras.
168
Gráfico No. 2
-2
NA
-4
-2 -1 0 1 2
Gráfico No. 3
20
-20
-40
-60
NA
-2 -1 0 1 2
Respecto a la normalidad, en los Cua- para los retornos de los TES y de la TRM.
dros No. 1 y No. 28 se aprecia la prueba Al observar lo estadísticos de kurtosis y
de Jarque – Bera para cada una de las va- sesgo es posible ir un poco más adelante y
riables en cuestión. La misma permite afir- se puede afirmar que se encuentra idénti-
mar que no existe evidencia para no ca e independientemente distribuidas
rechazar la hipótesis nula de normalidad (i.i.d.).
8
Para la elaboración de los diferentes gráficos y estimaciones cuantitativas desplegados en este artículo se
utilizaron los programas RATS, S-plus y Matlab.
170
2.3
0 .9 0.9
1.8
0.5
0.7
0 .7
1.4
6
0.7
0.
0.9
0 .5
0 .5
0.5
y
0 .4
0.5
0.9
0 .3 0 .3 1.4
0.3
0 .2
1.8
0 .1
0 .1 2.3
0.1 2.7
0.1 0. 3 0 .5 0 .7 0.9
x 0.1 0.3 0.5 0.7 0.9
x
172
.3
40
0.8 0 .9
0.
0.9 0.7
0.7
1.
0
3
1.
0.6
1 .5
0 .7
0.7 0.6
0.5
0 .5
0.6
0.5
y
y
0.4
0.7
0.3 1 .3
0.3 0 .3
1.2
0.2
1.
0
0 .9
0.1 0 .7
0.1 0 .1
0 .6
Cuadro No. 1 Retornos logarítmicos diarios para los TES TF/042012 y TRM
18 de abril 2004 - 27 de octubre 2004
9
A manera de ejemplo, el coeficiente de correlación máximo entre dos variables la primera de ellas con una
distribución lognormal (0,1) y la segunda con una distribución lognormal (0,s2) tiende a cero cuando σ
tiende a infinito.
174
Correlación en el rango
Coeficiente de Kendall:
Ecuación No.2
Coeficiente de Spearman:
Ecuación No.3