Econof Sica

Econofísica, modelos periódicos y crisis
financieras
Carlos Vladimir Rodríguez Caballero
Universidad de Guanajuato
Comenzar
C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 1 / 24

1 Introducción
Motivación
Revisión de literatura
Conociendo conceptos
2 Modelo log-periódico
Log-periodicidad en burbujas financieras
Consideraciones importantes
3 Análisis econométrico
Modelo log-periódico
Evidencia para México. Crisis de 1994.
Estimación extrema
Estimación LAD
Problema de optimización
Resultados
4 Extensiones
5 Referencias

Introducción Motivación
Yi-Cheng Zhang (acerca de la econofísica)

”W E ARE NOT TRYING TO MAKE INCREMENTAL IMPROVEMENTS IN THEORY
( ECONOMICS OR ECONOMETRICS ). W E ’ RE TRYING INSTEAD TO REPLACE THE
STANDARD MODELS AND METHODS WITH ENTIRELY NEW RESULTS .”
Johansen, Sornette y Ledoit (2000)

M OSTRARON , QUE BAJO LA H IPÓTESIS DE M ERCADO E FICIENTE , TEORÍAS Y
MÉTODOS CONVENCIONALES , UNA CRISIS BURSÁTIL COMO EL DE OCTUBRE DE 1987,
35
TENDRÍA UNA PROBABILIDAD DE UNA ENTRE 10 . M ÁS AÚN , UNA PÉRDIDA EN UN DÍA
DEL 5 % EN EL D OW J ONES DEBERÍA TENER UNA FRECUENCIA DE UNA CADA MILES
DE AÑOS .

Introducción Revisión de literatura
E. Majorana (1942) señala que existe una fuerte analogía entre la física
estadística y las ciencias sociales.
Blanchard (1979) construye un modelo de expectativas racionales de burbujas y
crisis financieras.
B. Arthur (1994) desarrolla el modelo del Farol.
E. Stanley (1995) acuña el término de econofísica.
D. Sornette, A. Johansen y J.P. Bouchaud (1996) documentan una robusta
relación entre las grandes quiebras bursátiles y las oscilaciones log-periódicas de
un proceso auto-organizado de gran escala culminando en el punto crítico.
A. Johansen, D. Sornette y O. Ledoit (1999 C) reportaron 7 casos de burbujas
financieras que eran bien explicadas por oscilaciones log-periódicas.
A. Johansen, D. Sornette (1999 D) encontraron estructuras simétricas
semejantes a las burbujas, las cuales denominaron antiburbujas.
A. Johansen, D. Sornette (2000) conectaron la fenomenología dispar de los
crashes bursátiles y la teoría de predicción de terremotos. Predijeron el crash del
NASDAQ del 14 de abril de 2000.
L. Gazola, C. Fernandes, A. Pizzinga, y R. Riera (2008) desarrollan el modelo
log-periódico AR(1)-GARCH(1,1) para crisis financieras.

crisis financieras.

crisis financieras.

crisis financieras.

crisis financieras.

crisis financieras.

crisis financieras.

crisis financieras.

crisis financieras.

Introducción Conociendo conceptos
¿Qué es la econofísica?
Lars Onsager: ’...a theoretical scientist should not start with a mathematical tool
and then look around for data to explain. Instead, a real scientist should study the
data and invent the required mathematical tools’.
Crisis financieras y su analogía con fenómenos críticos
Gene Stanley (1995) reconoce la importancia de los modelos de quiebras
financieras.
Fenómenos críticos. Sistemas caóticos. Caos débil, leyes de potencias y
sistemas críticos auto-organizados.
Transición de fase entre estados físicos.
Fluctuaciones de las tasas de crecimiento de los tamaños de compañías decaen
siguiendo leyes de potencias.
Distribución de salarios.
El número de empleos.
La distribución del PIB por países sigue una la ley de potencias, un resultado
inexplicable a partir de las teorías económicas estándar.

financieras.

financieras.

financieras.

financieras.

financieras.

financieras.

1 Introducción
Motivación
Estimación extrema
Estimación LAD
Resultados
4 Extensiones
5 Referencias

Modelo log-periódico Log-periodicidad en burbujas financieras
Johansen, Sornette, Bouchaud, Ledoit (1996-2000)

Fuerte evidencia empírica acerca de que las quiebras financieras y sus grandes
correciones eran precedidas por burbujas especulativas con:


Una aceleración en leyes de potencias de los precios de mercado (*) del tipo
B (tc − t)z
| {z }
∗


Una aceleración en leyes de potencias de los precios de mercado (*)
Existencia de oscilaciones log-periódicas (**) al tiempo del crash (tc )
F (t) = A + B (tc − t)z +C (tc − t)z cos(ω log(tc − t) − φ) (1)
| {z } | {z }| {z }
∗ ∗ ∗∗
Sensibilidad

Modelo log-periódico Consideraciones importantes
Consideraciones teóricas importantes

Una burbuja significa (siempre) aceleración de precios. Pero no toda burbuja
termina siempre en un crash (falsas alarmas).
Se tiene que todas las burbujas en los mercados más líquidos, la log-frecuencia
ω
2π
≈ 1.
Las crisis son outliers. (vs modelaje basado en teoría de valores extremos y
procesos GARCH).
Hay burbujas que son consistentes con la teoría de burbujas y crisis racionales.
tc no es necesariamente la fecha del crash, solo será la fecha más probable.
Hay una probabilidad finita de que la burbuja termine en crash.

Modelo log-periódico Consideraciones importantes
1 Introducción
Motivación
Estimación extrema
Estimación LAD
Resultados
4 Extensiones
5 Referencias

Análisis econométrico Modelo log-periódico
Motivación: trabajar el modelo log-periódico dentro de un marco estadísticamente

más riguroso.


más riguroso.
P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t


más riguroso.
P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t a

donde:
A es el precio terminal en el tiempo crítico tc .
β describe la ley de potencias de la aceleración de precios.
ω y φ son respectivamente la frecuencia angular de las oscilaciones
log-periódicas y su fase (unidad de tiempo).
tc identifica el tiempo crítico en donde las oscilaciones se acumulan.
Las oscilaciones log-periódicas (periodicidad en log(tc − t)) es el corazón del
modelo ya que permite que cada tiempo tn converja a tc de acuerdo a la serie de
tiempo geométrica tc − tn ∝ λ−n donde λ = e2π/ω (dentro de un marco físico)
t es ruido blanco iid.
a Modelo log-periódico para la evolución del índice de precios P(t) antes del crash


más riguroso.
P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t a
para descartar problemas de identificación y mantener el marco teórico, debemos con-

siderar:
A ∼ P(tc ) > 0.
B < 0 para burbuja creciente terminando en crash (para β > 0.
C 6= 0 garantizará la siginificancia de las oscilaciones log-periódicas.
0 < β < 1 gobernará el crecimiento de la burbuja.
5 < ω < 15 para garantizar el ajuste del modelo a los datos y evitar que el ruido
domine la log-frecuencia.
0 < φ < 2π
a Modelo log-periódico para la evolución del índice de precios P(t) antes del crash

Análisis econométrico Evidencia para México. Crisis de 1994.
Figura: Histórico del IPC-BMV (03/06/1993 - 22/04/1994)

Análisis econométrico Estimación extrema
L. Gazola, C. Fernandes, A. Pizzinga, y R. Riera (2008):

Φ̂ML = [A, B, C, tc , β, ω, φ]

Metodología en este trabajo

Consideremos el modelo semiparamétrico
con Φ = [A, B, C, tc , β, ω, φ] que satisfagan condiciones de regularidad y marco teórico,

y t ∼ iid(0, 1)

Modelo
Estimación del modelo no lineal:

h i
Φ̂ = arg maxΦ∈Ω [M(Φ, p(t), t)] con Φ = A, B, C, tc , β, ω, φ, σ 2

Modelo
Estimación del modelo no lineal:

h i
Φ̂ = arg maxΦ∈Ω [M(Φ, p(t), t)] con Φ = A, B, C, tc , β, ω, φ, σ 2
Mínimos cuadrados no lineales (NLS)

Mínimas desviaciones absolutas no lineales (NMAD)

Análisis econométrico Estimación LAD
¿Porqué estimación robusta?

Modelos econométricos comúnmente toman la suposición de que el término de
error es generado por una distribución que tiene varianza finita.
Hay evidencia de que los datos de series económicas confirman la abundante
existencia de distribuciones de varianza infinita. (Precios de burbujas
especualtivas).
Distribuciones de varianza infinita son distribuciones de colas pesadas. Y puede
significar la existencia de muchos outliers en los errores del modelo.
Los estimadores LS dan lugar a un excesivo peso a las observaciones extremas.
En contraste, los estimadores LAD o bien los cuantílicos son más robustos.
n
X
β̂MAD = arg minβ |yi − xi β|
i=1


especualtivas).
n
X
i=1


especualtivas).
n
X
i=1


especualtivas).
n
X
i=1

Análisis econométrico Problema de optimización
Problema de optimización:

Pn
Función objetivo: MinS(Φ) = t=1 P(t) − P̂(t)a
Restricciones: 8
>
>
A>0
>
>
>
>
B<0
<
C 6= 0
s.a
>
>
0<β<1
>
>
>
> 5 < ω < 15
:
0 < φ < 2π
at debe estar en unidades de tiempo en años... 1 día = 0.003968 de el año


Pn
Función objetivo: MinS(Φ) = t=1 P(t) − P̂(t)
Restricciones: 8
>
>
A>0
>
>
>
>
B<0
<
C 6= 0
s.a
>
>
0<β<1
>
>
>
> 5 < ω < 15
:
0 < φ < 2π
No se tiene una función estrictamente convexa pero se tienen mínimos locales

degenerados o cuasi-degenerados. (Debido a no linealidad)


Pn
Restricciones: 8
>
>
A>0
>
>
>
>
B<0
<
C 6= 0
s.a
>
>
0<β<1
>
>
>
> 5 < ω < 15
:
0 < φ < 2π

El problema es solucionado usando (se exige muy buenas condiciones inciales):
Algotitmos de optimización de Quasi-Newton (punto-interior) para el problema de
mínimos cuadrados: Algoritmos Broyden-Fletcher-Goldfarb-Shanno (BFGS) y
Limited memory BFGS (LBFGS)


Pn
Restricciones: 8
>
>
A>0
>
>
>
>
B<0
<
C 6= 0
s.a
>
>
0<β<1
>
>
>
> 5 < ω < 15
:
0 < φ < 2π

El problema es solucionado usando:
Algoritmos de optimización estocástica para el problema de mínimas
desviaciones absolutas: Algoritmo de Recocido Simulado (Simmulated Annealing
(SA))
Optimización

Análisis econométrico Resultados
Resultados
Parámetro Método Estimación t-test1 IC inferior IC superior

Â LS 3347.8 18.32* 2989.7 3705.8
LAD 2880.7 49.80* 2767.3 2994.1
B̂ LS -2176.7 16.97* -1925.3 -2428.1
LAD -1659.5 42.74* -1583.4 -1735.5
tˆc LS 0.7754 51.24* 0.7457 0.8050
LAD 0.7302 433.23* 0.7268 0.7335
β̂ LS 0.5417 3.306* 0.2206 0.8627
LAD 0.6461 4.467* 0.3626 0.9295
Ĉ LS -171.35 7.068* -123.83 -218.86
LAD -150.44 5.364* -95.471 -205.40
ω̂ LS 6.2935 15.06* 5.4746 7.1123
LAD 5.8239 18.62* 5.2111 6.4366
φ̂ LS 0.0000 0.0000
LAD 0.3364 3.158* 0.1276 0.5451
Cuadro: Estimaciones OLS y LAD. El símbolo * representa significancia al 5 % de la H0
Modelos ajustados Residuales
1 Por fuera de la matriz de la covarianza asintótica, la t-test de los estimadores LS y LAD son
virtualmente las mismas. Se verificaron también usando técnicas bootstrap.

Resultados
IPC-BMV 1994-CRASH
Pruebas de raíces unitarias (p-values)
Phillips-Perron Augmented Dickey Fuller KPSS
Con drift Sin drift Con drift Sin drift Sin tendencia Con tendencia
0.0459 0.0041 0.0459 0.0041 0.1000 0.0100
IPC-BMV 1994-CRASH
Media -0.0424
IPC-BMV 1994-CRASH
Desviación estándar 59.58
Fecha tmax 08/02/1994
Sesgo -0.2414
Fecha tmin 01/03/1994
Kurtosis 3.9353
Fecha tc (OLS) 09/03/1994
Jarque-Bera 1.0181*2
Fecha tc (LAD) 21/02/1994
Ljung-Box Q-test 345.52
ARCH test 96.8628
2 El símbolo * representa significancia al 5 % de la H0

1 Introducción
Motivación
Estimación extrema
Estimación LAD
Resultados
4 Extensiones
5 Referencias

Extensiones
Sobre este trabajo:

Construir el modelo Log-Periódico AR(1)-GARCH(1,1) para caso México. (Por
conservar el principio de parsimonia).

Extensiones
Modelo Log-Periódico AR(1)-GARCH(1,1):
P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t ,
donde
t = ρt−1 + ηt ,
con
ηt = σt2 εt ,
en el cual εt es ruido blanco, y
σt2 = α0 + α1 ηt−1
2 2
+ α2 σt−1 ,
con α0 > 0, α1 ≥ 0, α2 ≥ 0, α1 + α2 < 1.

Extensiones
Sobre este trabajo:

Pruebas estadísticas (t y F, autocorrelación, heteroscedasticidad y más
especificaciones sobre la no estacionariedad del proceso).

Extensiones
Sobre este trabajo:

Extensiones a la literatura:
Modelo log-periódico AR(1)-GARCH(1,1) bayesiano con innovaciones
Gaussianas.
Modelo log-periódico AR(1)-GARCH(1,1) con innovaciones t-Student.
t-Student.

Extensiones
Sobre este trabajo:

Extensiones a la literatura:
Gaussianas.
Modelo log-periódico AR(1)-GARCH(1,1) con innovaciones t-Student.
t-Student.
Modelo log-periódico AR(1)-GARCH(1,1) cuantílico.
Teoría asintótica no estándar en el modelo log-periódico.

Referencias
Johansen A. y Sornette D. (2000)

... THE RESULTS PRESENTED HERE DOES NOT MEAN THAT WE HAVE PUBLICLY
PREDICTED THE A PRIL 2000 CRASH OF THE N ASDAQ C OMPOSITE . T HIS HAS
NEITHER BEEN THE PURPOSE . W HAT THE ANALYSIS PRESENTED ABOVE SHOWS IS
THAT EQUATION (1) HAS PREDICTIVE POWER . F URTHERMORE , FROM A PURELY
SCIENTIFIC POINT OF VIEW, IT IS THE OBSERVATION AND THE COMPARISON BETWEEN
THE OBSERVATION AND THE PREDICTIONS OF THE MODEL WHICH CARRY MEANING .

Referencias
1 Arthur W.B.(1994). Inductive Reasoning and Bounded Rationality, American Economic

Review, 84,406-411, 1994.
2 Blanchard O.J. (1979). Speculative bubbles, crashes and rational expectations, Economics
Letters. 3, 387-389.
3 Gazola L, Fernandes C, Pizzinga A y Riera R (2008). The log-periodic-AR(1)-GARCH(1,1)
model for financial crashes. The European Physical Journal B 61,355-362.
4 Johansen A. y Ledoit O., Sornette D. (2000). Int. J.Theo. Appl. Finance 3, 219.
5 Johansen A. y Sornette D. (1999D). Financial anti-bubbles: log-periodicity in Gold and
Nikkei collapses, Int. J. Mod. Phys. B
6 Johansen A. y Sornette D. (2000). The Nasdaq crash of April 2000: Yet another example of
log-periodicity in a speculative bubble ending in a crash. The European Physical Journal B
17,319-328.
7 Johansen A., Sornette D. y Bouchaud J.P.(1996). Stock market crashes, Precursors and
Replicas,J. Phys. I France 6, 167-175.
8 Johansen A., Sornette D. y Ledoit O. (1999C). Predicting Financial Crashes using discrete
scale invariance, Journal of Risk.
9 Majorana, E (1942). The value of the statistical laws in physics and social sciences, Scientia
36, 58-66. Publicado en inglés en Quantitative Finance 5, 133-140 (2005).

Apéndice A Sensibilidad sobre parámetros del modelo (1)
Figura: F (t) = A + B(t c − t)z + C(tc − t)z cos(ω log(tc − t) − φ)

Figura: F (t) = A + B(t c − t)z + C(tc − t)z cos(ω log(tc − t) − φ)

Figura: F (t) = A + B(tc − t)z + C(t c − t)z cos(ω log(tc − t) − φ)

Figura: F (t) = A + B( tc − t) z
+ C( tc − t) z
cos(ω log( tc − t) − φ)

Figura: F (t) = A + B(tc − t) z + C(t c − t) z cos(ω log(t c − t) − φ)

Figura: F (t) = A + B(tc − t)z + C(tc − t)z cos( ω log(t c − t) − φ)

Figura: F (t) = A + B(tc − t)z + C(tc − t)z cos(ω log(tc − t) − φ)

Back

Apéndice B Optimización
Figura: BFGS algorithm

Apéndice B Optimización
Figura: Simmulated Annealing algorithm
Back

Apéndice C Modelos ajustados
Figura: Modelos Log-Periódicos
Back

Apéndice C Residuales
Figura: Residuales de los modelos Log-Periódicos
Back

Econof Sica

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Econof Sica

Cargado por

Copyright:

Formatos disponibles

Econofísica, modelos periódicos y crisis

Carlos Vladimir Rodríguez Caballero

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 1 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 2 / 24

Yi-Cheng Zhang (acerca de la econofísica)

Johansen, Sornette y Ledoit (2000)

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 3 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 4 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 4 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 4 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 4 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 4 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 4 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 4 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 4 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 4 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 5 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 5 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 5 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 5 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 5 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 5 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 5 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 6 / 24

Johansen, Sornette, Bouchaud, Ledoit (1996-2000)

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 7 / 24

Johansen, Sornette, Bouchaud, Ledoit (1996-2000)

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 7 / 24

Johansen, Sornette, Bouchaud, Ledoit (1996-2000)

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 7 / 24

Consideraciones teóricas importantes

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 8 / 24

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 9 / 24

Motivación: trabajar el modelo log-periódico dentro de un marco estadísticamente

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 10 / 24

Motivación: trabajar el modelo log-periódico dentro de un marco estadísticamente

P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 10 / 24

Motivación: trabajar el modelo log-periódico dentro de un marco estadísticamente

P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t a

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 10 / 24

Motivación: trabajar el modelo log-periódico dentro de un marco estadísticamente

P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t a

para descartar problemas de identificación y mantener el marco teórico, debemos con-

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 10 / 24

Figura: Histórico del IPC-BMV (03/06/1993 - 22/04/1994)

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 11 / 24

L. Gazola, C. Fernandes, A. Pizzinga, y R. Riera (2008):

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 12 / 24

Metodología en este trabajo

P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t

con Φ = [A, B, C, tc , β, ω, φ] que satisfagan condiciones de regularidad y marco teórico,

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 12 / 24

Metodología en este trabajo

Estimación del modelo no lineal:

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 12 / 24

Metodología en este trabajo

Estimación del modelo no lineal:

Mínimos cuadrados no lineales (NLS)

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 12 / 24

¿Porqué estimación robusta?

C.V. Rodríguez Caballero (UG) Modelo log-periódico y crisis financieras (12) 13 / 24

P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t

P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t a

P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t a

P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t

P(t) = A + B(tc − t)β + C(tc − t)β cos(ω log(tc − t) − φ) + t ,