Tesis Maestría Salas - Solis

UNIVERSIDAD NACIONAL DE INGENIERÍA
FACULTAD DE INGENIERÍA ECONÓMICA, ESTADÍSTICA Y CIENCIAS

SOCIALES
Impacto de la volatilidad del precio del petróleo en las principales

variables macroeconómicas y alternativas para mitigarlo
TESIS
PARA OPTAR EL GRADO ACADÉMICO DE MAGÍSTER EN CIENCIAS
Elaborado por:
IVÁN ALFREDO SALAS PANTIGOSO
MARITZA YSABEL SOLIS FUERTES
Asesor:
RAFAEL CAPARÓ CORONADO
LIMA-PERÚ
2022
1
DEDICATORIA
El presente trabajo es dedicado a mis padres quienes con su cariño, esfuerzo, humildad
y dedicación guiaron mi camino profesional. Asimismo, dedico este trabajo a mi esposo
quien gracias a su apoyo y amor incondicional me motivan día a día a cumplir mis metas
profesionales.
Maritza Solis
Dedico el presente a mis padres y mi hermana por su constante y valioso apoyo durante
todo el trayecto de mi vida profesional
Iván Salas
AGRADECIMIENTO
Agradecemos por su gentil y valiosa colaboración a nuestro asesor de tesis Rafael

Caparó Coronado quien gracias a su aporte y conocimientos hicieron posible la
culminación de este trabajo.
2
Contenido
LISTA DE TABLAS 6
LISTA DE GRÁFICAS 6
LISTA DE ILUSTRACIONES 7
GLOSARIO DE TÉRMINOS 8
ABSTRACT 9
RESUMEN 10
INTRODUCCIÓN 11
I. PLANTEAMIENTO DEL PROBLEMA 13
1.1 Descripción de la realidad problemática 13
1.2 Formulación de los problemas de la investigación 14
1.2.1 Problema General 14
1.2.2 Problemas Específicos 14
1.3 Objetivos de la investigación 14
1.3.1 Objetivo General 15
1.3.2 Objetivos Específicos 15
1.4 Justificación de la investigación 15
II. MARCO TEÓRICO CONCEPTUAL 15
2.1 Antecedentes de la investigación 15
2.2 Bases teóricas de la investigación 20
2.2.1 El petróleo en el contexto nacional e internacional 20
2.2.2 Mecanismos de Estabilización de Precios 28
2.2.3 Instrumentos de gestión del riesgo 34
2.2.3.1 Opciones asiáticas 35
2.2.4 Descripción de métodos 37
2.2.4.1 Movimiento Browniano Geométrico 37
2.2.4.2 Método de Montecarlo 38
2.2.5 Modelos de cálculo estocástico 40
3
2.2.5.1 Modelo de Vasicek 40
2.2.5.2 Modelo de Cox Ingersoll Ross (CIR) 41
2.2.5.3 Modelo de Heston 41
2.2.6 Calibración del modelo 42
2.2.6.1 Método de máxima verosimilitud (MLE) 43
2.2.6.2 Aplicación de MLE para Vasicek 44
2.2.6.3 Aplicación de MLE al modelo CIR 46
2.2.6.4 Aplicación de MLE al modelo de Heston 47
2.2.7 Valuación de la opción asiática con subyacente promedio 49
III. METODOLOGÍA DE LA INVESTIGACIÓN 50
3.1 Planteamiento de Hipótesis 50
3.2 Diseño y procedimiento 51
IV RESULTADOS Y DIAGNÓSTICO 53
4.1 Contrastación de hipótesis general 1 54
4.1.1 Análisis descriptivo de datos y aplicación de modelos 54
4.1.2 Resultados y discusión 61
4.2 Contrastación de hipótesis general 2 64
4.2.1 Análisis descriptivo de datos y aplicación de modelos 64
4.2.2 Resultados y discusión 65
V. PROPUESTA DE VALOR 67
VI CONCLUSIONES Y RECOMENDACIONES 69
REFERENCIAS BIBLIOGRÁFICAS 70
ANEXOS 74
Anexo A: Impacto del precio del petróleo sobre las principales variables
macroeconómicas. 74
A.1: Test de estacionalidad 74
Anexo B: Prueba de residuos VAR 75
B.1: Prueba de normalidad VAR 75
4
B.2: Prueba de Autocorrelación VAR 75
B.3: Prueba de Heterocedasticidad VAR 76
Anexo C: Prueba de residuos VAR corregido 76
C.1: Prueba de normalidad VAR Corregido 76
C.2: Prueba de Autocorrelación VAR Corregido 76
C.3: Prueba de Heterocedasticidad VAR corregido 77
Anexo D: Descomposición de varianza 77
Anexo E: Codigo Phyton 78
E.1: Cálculo del precio del petróleo 78
E.2: Cálculo de la tasa mediante CIR 78
E.3: Cálculo del precio de la opción 79
Anexo F: Estimación de parámetros por el método de máxima verosimilitud 79
F.1: Estimación de parámetros para la predicción del precio del petróleo 80
F.2: Estimación de parámetros para predecir la tasa libre de riesgo 82
5
LISTA DE TABLAS
Tabla 1: Importaciones petróleo crudo.................................................................................. 26
Tabla 2: Transferencias al Fondo de Estabilización de Precios de los Combustibles .. 30
Tabla 3 : Procedimiento Metodología VAR .......................................................................... 52
Tabla 4: Prueba estadística F ................................................................................................. 55
Tabla 5: Prueba de estacionalidad ........................................................................................ 55
Tabla 6: Prueba de raíces unitarias para las variables de estudio ................................... 56
Tabla 7 : Prueba de rezagos óptimos para el modelo VAR ............................................... 57
Tabla 8 : Prueba de Normalidad ............................................................................................ 59
Tabla 9 : Prueba de Autocorrelación ..................................................................................... 59
Tabla 10 : Prueba de Heterocedasticidad ............................................................................ 59
Tabla 11 : Resultado del análisis de los residuos del modelo VAR ................................. 59
Tabla 12 : Resultado del análisis de los residuos del modelo VAR corregido ................ 61
Tabla 13 : Descripción de variables para la estrategia de cobertura ............................... 64
Tabla 14 : Estimación de parámetros Modelo Heston por Máxima Verosimilitud .......... 65
Tabla 15 : Estimación de parámetros CIR por Máxima Verosimilitud .............................. 66
Tabla 16 : Estimación del precio de la call con distintos strikes ....................................... 67
Tabla 17: Barriles de petróleo importado y consumo semanal ..................................... 68
Tabla 18: Cálculo de Aportes y Compensaciones del FEPC ....................................... 68
LISTA DE GRÁFICAS
Gráfica 1: Balanza Comercial del petróleo y derivados ..................................................... 13
Gráfica 2: Evolución del precio del petróleo ......................................................................... 20
Gráfica 3: Importaciones de petróleo respecto al PBI (%) ................................................. 21
Gráfica 4: Producción de Petróleo ......................................................................................... 22
Gráfica 5: Consumo de petróleo ............................................................................................ 22
Gráfica 6: Consumo per cápita de petróleo en los principales países latinoamericanos
..................................................................................................................................................... 23
Gráfica 7: Participación de las fuentes en la producción interna de energía primaria 2018
..................................................................................................................................................... 23
Gráfica 8: Participación de las fuentes en la oferta interna bruta de energía primaria
2018 ............................................................................................................................................ 23
Gráfica 9: Demanda de Combustibles, 1994-2018 ............................................................ 24
Gráfica 10 :Participación por sectores en el consumo final de energía 2018 ................. 25
6
Gráfica 11: Demanda de combustibles líquidos (MBPD) 2019 ......................................... 25
Gráfica 12: Evolución de importaciones de combustibles primarios en millones de
dólares........................................................................................................................................ 26
Gráfica 13: Inflación 2000-2019 ............................................................................................. 27
Gráfica 14: Balanza Comercial ............................................................................................... 27
Gráfica 15: Resultado Económico anualizado del SPNF ................................................... 28
Gráfica 16 : Costo fiscal del FEPC, y gasto por función en educación y salud .............. 31
Gráfica 17: Precio del petróleo, inflación y equilibrio fiscal ................................................ 54
Gráfica 18: Comportamiento de las variables sin efecto de estacionalidad .................... 55
Gráfica 19: Comportamiento de las variables en primeras diferencias ........................... 57
Gráfica 20: Raíces inversas del polinomio característico de AR ...................................... 58
Gráfica 21:Residuos del modelo VAR ................................................................................... 60
Gráfica 22: Residuos del modelo VAR corregido ................................................................ 61
Gráfica 23: Funciones impulso respuesta periodo 10 años............................................... 62
Gráfica 24: Funciones impulso respuesta acumulada periodo 10 años .......................... 62
Gráfica 25: Descomposición de varianza ............................................................................. 63
Gráfica 26: Simulación de Montecarlo del precio del petróleo .......................................... 65
Gráfica 27: Simulación de Montecarlo de la volatilidad respecto al tiempo .................... 66
Gráfica 28: Simulación de Montecarlo de la tasa respecto al tiempo .............................. 66
LISTA DE ILUSTRACIONES
Ilustración 1: Estabilización de precios………………………………………………………………………………… 29
7
GLOSARIO DE TÉRMINOS
Cobertura: Estrategia financiera para administrar los riesgos financieros a los que se
expone un inversionista por la exposición a un activo.
Cobertura natural: Estrategia utilizada para administrar los riesgos financieros sin
utilizar instrumentos financieros.
Correlación: Establece la relación o dependencia que existe entre dos variables

aleatorias.
Derivado financiero: Instrumento financiero cuyo valor depende de un activo

subyacente.
Descomposición de varianza: Se utiliza para evaluar los efectos directos e indirectos

entre las variables de estudio, calcula el porcentaje de las fuentes de los choques
aplicados en una de las variables.
Fondo de Estabilización de Precios de Combustibles (FEPC): Fondo creado por el

gobierno para aminorar los efectos negativos de la variación del precio del petróleo.
Funciona a través de aportes de los integrantes del Fondo y de subsidios del Estado.
Impulso-respuesta: Método utilizado para determinar la reacción de una variable

durante un período específico después de un choque de desviación estándar en otra
variable o en sí misma.
Macro-Hedge: Técnica financiera utilizada para atenuar el riesgo sistémico de un

portafolio de activos producidos por eventos macroeconómicos
Opción: Este instrumento da el derecho de comprar o vender un activo (activo

subyacente) a un precio determinado en una fecha futura. Existen 2 tipos de contratos
de opciones: opciones de venta y opciones de compra.
Precio de ejercicio: Precio acordado en los contratos de derivados.

Petróleo crudo: Es un producto básico o commodity extraído del patrimonio natural, su
disponibilidad no es uniforme en el mundo por lo que da origen a una
complementariedad entre los que disponen de reservas que exceden los requerimientos
de su mercado interno y otros que experimentan un mayor desarrollo productivo y que
requieren de energía para mantener en operación actividades que están en
funcionamiento o en etapa de crecimiento.
Simulación de Montecarlo: Es un método estadístico numérico utilizado para

aproximar expresiones matemáticas complejas, valorar una opción cuando la ecuación
diferencial no tiene solución explícita o es difícil de resolver por métodos analíticos.
Subyacente: Bien o índice utilizado como referencia en los contratos de derivados.

Volatilidad: Fluctuación del precio de un activo en un tiempo determinado.
West Texas Intermediate (WTI): Es un petróleo que contiene el promedio de
características del petróleo extraído en campos occidentales de Texas (USA) y sirve de
referencia para el mercado estadounidense y americano.
8
ABSTRACT
The first objective of this research is to analyze the implications of the oil price shock on
the main macroeconomic variables: non-underlying inflation and fiscal balance The
second objective is to propose an alternative to mitigate the risks associated with oil price
volatility through the use of financial instruments instead of the current price stabilization
mechanisms used by the government.
For the first objective,we used the VAR model. Then we analyze the impact of the oil
price variation on the macroeconomic variables by using the variance decomposition and
impulse response tests over a period of time since 2000 to 2019. As a result, we
concluded that the non-core inflation and fiscal balance variables respond positively to
changes in the variation of the oil price. However, these two variables behave in an
oscillatory way in the short term.
The second objective of this research aims to propose an alternative to mitigate the
financial risk to which the government is exposed due to the oil price fluctuation. As an
example of this mechanism we refer tooil importing and exporting countries model, such
as Mexico, Uruguay, Ghana, among others countries that use a financial hedge
programs to ensure their fiscal and social balance.The financial hedge that we use in
this study is carried out with asian exotic options because of their use advantages. We
propose a methodology to calculate the asian option price by using the Monte Carlo
simulation, under the assumption that the interest rate is driven by a CIR model mean
reversion process. The parameters were calculated with the maximum likelihood model.
The results show that taking a financial oil Price hedgegenerates lower expenses to the
Government compared to the Fuel Price Stabilization Fund (FEPC).
9
RESUMEN
La presente investigación tiene por objetivo analizar las implicancias del shock del precio
del petróleo sobre las principales variables macroeconómicas: Inflación no subyacente
y equilibrio fiscal, asimismo proponer una alternativa de mitigación de los riesgos
asociados a la volatilidad del precio del petróleo a través del uso de instrumentos
financieros comparándolo respecto a los actuales mecanismos de estabilización de
precios que utiliza el gobierno.
Para el primer objetivo se utiliza el modelo VAR y se analiza el impacto de la variación

del precio del petróleo sobre las variables mediante el uso de las pruebas de
descomposición de varianza e impulso respuesta en un periodo de análisis del 2000-
2019, obteniendo como resultado que las variables inflación no subyacente y equilibrio
fiscal responden positivamente ante cambios en la variación del precio del petróleo, pero
de manera oscilatoria en el corto plazo.
En el segundo objetivo de esta investigación, se busca proponer una alternativa para

mitigar el riesgo al que está expuesto el Estado, siguiendo el ejemplo de países
importadores y exportadores de petróleo como México, Uruguay, Ghana, entre otros
que utilizan un programa de coberturas para asegurar su equilibrio fiscal y social. La
cobertura en este estudio es realizada con opciones exóticas de tipo asiáticas dada las
ventajas de su uso, para ello se propone una metodología para el cálculo del precio de
la opción asiática con subyacente promedio mediante el uso de la simulación de
Montecarlo bajo el supuesto de que la tasa de interés es conducida por un proceso de
reversión a la media de tipo CIR y los parámetros son calculados con el modelo de
máxima verosimilitud. Los resultados muestran que la toma de coberturas sobre el
precio de petróleo genera menores gastos al Estado frente a el Fondo de Estabilización
de Precios de Combustible (FEPC).
10
INTRODUCCIÓN
Los mercados financieros de la gran mayoría de países han desarrollado productos

financieros más flexibles, adecuados a las nuevas condiciones de mercado, con la
finalidad de crear mecanismos de protección ante los riesgos exógenos, como la
variación del tipo de cambio, tasa de interés, precio de los commodities entre otros. La
volatilidad de estas variables puede ocasionar un impacto significativo en los
consumidores individuales, empresas y en el presupuesto del gobierno, es por ello que
se busca reducir la exposición de las finanzas públicas ante fluctuaciones de los precios
internacionales de los commodities.
Los instrumentos financieros como los derivados juegan un papel importante en los
mercados financieros, es común que estos instrumentos sean utilizados para fines
especulativos, sin embargo, también son utilizados como herramientas para cubrirse
frente al riesgo de mercado ante posibles fluctuaciones de los precios internacionales
de productos que se comercializan (exportación) o sean utilizados como insumos
(importación).
Las marcadas fluctuaciones de los precios de los commodities han coincidido muchas
veces con variaciones de la actividad económica e inflación en muchos países, para el
caso de países que son importadores netos, las consecuencias se ven reflejadas en la
criticidad de los gastos soberanos, la cual afecta el presupuesto del Estado.
Entre las materias primas, el petróleo crudo es el producto básico de energía más
comercializado y juega un papel bastante crítico en la economía. En la actualidad, el
Perú es deficitario en la producción de petróleo, por lo cual se ve forzado a importar
petróleo para abastecer su demanda interna. La producción de petróleo llegó a 55,680
bdp, mientras que el combustible requerido por las industrias, el parque automotor y la
población en general es de 212,000 bdp, lo que implica que el país gastó alrededor de
5,550 millones de dólares en importaciones (2019) para asegurar el abastecimiento de
hidrocarburos. Es por ello que los incrementos en el precio del petróleo generan
impactos significativos, esto nos hace reflexionar que la protección de la economía
frente a la volatilidad del precio del petróleo sea un pilar clave para la gestión de riesgos
del gobierno peruano.
Existen muchos países que utilizan estas herramientas de cobertura a nivel macro para
asegurar sus equilibrios fiscales y sociales. Un ejemplo de este tipo de programas es el
caso de Uruguay que es importador neto de petróleo crudo. En junio del 2016 el
Gobierno dio el visto bueno al Banco Mundial para intermediar la ejecución de una serie
de transacciones de derivados con las contrapartes del mercado. Este programa de
hedging cubrió alrededor del 50% de las importaciones totales anuales de petróleo
durante 12 meses.
Por los motivos expuestos anteriormente este trabajo se enfocará en estudiar el impacto
de la volatilidad del precio del petróleo sobre la inflación no subyacente y el equilibrio
fiscal, asimismo analizará la aplicación de políticas de macrohedging al precio del
petróleo a través de herramientas de cobertura financiera en comparación con el actual
mecanismo utilizado por el Estado.
El presente trabajo buscará abordar 2 objetivos principales. En el primer objetivo, nos

enfocaremos en demostrar el impacto de la volatilidad del precio del petróleo sobre las
variables inflación no subyacente y el déficit fiscal a través de la formulación de un
modelo VAR, se aplicará función impulso respuesta y la descomposición de la varianza
para analizar los impactos sobre las variables de estudio. En el segundo objetivo
11
analizaremos la aplicación de las políticas de Macrohedging en el país para lo cual se
propone una metodología para el cálculo del precio de una opción asiática, que tiene
como subyacente el precio promedio del petróleo, mediante el uso de la simulación de
Montecarlo bajo el supuesto de que la tasa de interés es conducida por un proceso de
reversión a la media de tipo CIR y los parámetros son calculados con el modelo de
máxima verosimilitud. Una vez que se obtenga el precio de la opción se aplicará
sensibilizaciones a determinadas variables para demostrar que tan prudente es entrar a
una cobertura utilizando opciones asiáticas comparada con el actual mecanismo estatal
de estabilización de precios FEPC (Fondo de Estabilización de los Precios de los
Combustibles Derivados de Petróleo).
La investigación se estructura de la siguiente manera. La sección 1 proporciona el

planteamiento del problema, objetivos e hipótesis de la investigación. La sección 2
revisa el marco conceptual y antecedentes bibliográficos. La sección 3 presenta la
metodología de investigación y datos utilizados en este estudio. En la sección 4,
resultados y diagnóstico, describimos los modelos utilizados como para contrastar las
hipótesis planteadas mediante el modelo de valoración de opciones asiáticas y el
modelo de vectores autorregresivos (VAR). La sección 5, propuesta de valor, es la
discusión de nuestro enfoque de evaluación y los hallazgos clave; por último, la sección
6 presenta recomendaciones y conclusiones.
12
I. PLANTEAMIENTO DEL PROBLEMA
1.1 Descripción de la realidad problemática

Al ser el Perú un país importador neto de petróleo, un incremento o disminución en el
precio de esta materia prima le puede generar un gran impacto tanto a nivel
macroeconómico como microeconómico. A nivel macroeconómico, la afectación se
puede ver reflejada en indicadores como: balanza comercial, inflación y equilibrio fiscal,
mientras que a nivel micro puede verse reflejado en los salarios reales a consecuencia
de la inflación, disminución del ahorro en los hogares y pérdida de confianza por parte
del consumidor. Es por ello que la protección de la economía frente a la volatilidad de
los precios internacionales es un pilar importante dentro de la gestión de riesgos del
gobierno.
Según un reporte de Osinergmin (2019), “el consumo de derivados del petróleo sigue
creciendo y es cada vez más abastecido con la importación”. Además, en los últimos 10
años la balanza comercial del petróleo y derivados en el país ha sido deficitaria. En
términos monetarios, el déficit se muestra en la gráfica 1, donde se observa que se
generó un saldo negativo en la balanza comercial de USD 3.60 mil millones y USD3.30
mil millones en el 2018 y 2019 respectivamente.
Gráfica 1: Balanza Comercial del petróleo y derivados
Fuente: Banco Central de Reserva del Perú Elaboración: Propia
Para países importadores de petróleo como el nuestro, el petróleo representa gran parte
de la matriz de generación. La volatilidad en el precio afecta, según Yépez y Dana
(2012) “el fortalecimiento institucional, la balanza de pagos, el gasto de los hogares y
las políticas sociales.” El impacto va a depender de las importaciones de energía y la
diversificación de su matriz energética.
De acuerdo a Yépez y Dana (2012) diversos países vienen adoptando políticas de

Macrohedging como es el caso de México, para sus exportaciones de petróleo o para la
compra de maíz, Uruguay, que trabajó con el Banco Mundial para implementar
coberturas sobre las importaciones de petróleo, y otros países como Ghana que
utilizaron instrumentos de cobertura sobre sus ingresos e importaciones de petróleo.
La magnitud de los efectos macroeconómicos ante la volatilidad del precio del petróleo
varía en función a si un país es importador o exportador. Según estimaciones del Banco
13
Mundial (2006) para la región de América Latina y el Caribe, el incremento anual del
16% del precio internacional del petróleo por un periodo de 5 años deriva en un
crecimiento del 14% para países exportadores de petróleo en comparación con una
pérdida del 10% para países importadores de petróleo (Yépez y Dana, 2012).
Los países importadores de petróleo por lo general experimentan deterioro en su

balanza fiscal debido a que aplican subsidios durante el periodo de alza del precio del
petróleo o generan menores ingresos debido a la desaceleración económica. La
aplicación de subsidios o mecanismos de compensación puede ocasionar debilitamiento
institucional sobre todo cuando representan un gasto considerable en el presupuesto
del Estado generando un deterioro en el equilibrio fiscal o incremento de la deuda
pública. Existen desventajas en el uso de estos mecanismos como: generación de altos
costos fiscales, desplazamiento del gasto público productivo e inadecuada focalización.
En el caso peruano, el costo fiscal total del Fondo de Estabilización de Precios de los
Combustibles (FEPC) desde su creación hasta junio 2018 implica un costo de
oportunidad significativo que, por ejemplo, representa 1,7 veces el Presupuesto Inicial
de Apertura (PIA) de 2018 para educación superior y 2,1 veces el PIA de 2018 para
atención médica especializada. (Ministerio de Economía y Finanzas, 2018).
De acuerdo con cifras del Marco Macroeconómico Multianual 2018, para el año 2015 el
costo fiscal de estos mecanismos de compensación ascendió a 2.3% del PBI mundial.
Comparando por nivel de ingresos, las economías avanzadas destinan, en promedio, el
1.4% de su PBI a estas compensaciones; mientras que, economías emergentes y
economías productoras y/o exportadoras de petróleo crudo destinan, en promedio, 7.9%
de su PBI. En el Perú, el costo fiscal total del FEPC, desde su creación en el 2004 hasta
junio de 2018, asciende a S/ 8 905 millones (a un ritmo promedio anual de 0,2% del PBI
de cada año). En cuanto a la distribución del costo fiscal por combustible, el diésel fue
el de mayor participación (51,2%), seguido del GLP (31,5%), y de las gasolinas y
gasoholes (11,3%). (Ministerio de Economía y Finanzas, 2018).
1.2 Formulación de los problemas de la investigación

1.2.1 Problema General
¿Cuál es el impacto de la variación del precio del petróleo en la inflación no

subyacente y equilibrio fiscal del Perú?
¿Es viable la implementación de políticas de Macrohedging aplicado al precio del

petróleo en el Perú?
1.2.2 Problemas Específicos
¿Existe impacto del precio internacional del petróleo en la inflación no subyacente

en el Perú?
¿Existe impacto del precio internacional del petróleo en el equilibrio fiscal en el

Perú?
¿La implementación de una cobertura del precio del petróleo tiene un impacto
positivo en el presupuesto del Gobierno?
1.3 Objetivos de la investigación
14
1.3.1 Objetivo General
Analizar el impacto del precio del petróleo sobre las variables inflación no subyacente y
equilibrio fiscal.
Analizar la viabilidad de implementar políticas de Macrohedging aplicado al precio del

petróleo en el Perú.
1.3.2 Objetivos Específicos
Primer objetivo específico:

Determinar el impacto del precio internacional del petróleo sobre la inflación no
subyacente.
Segundo objetivo específico:

Determinar el impacto del precio internacional del petróleo sobre el equilibrio fiscal.
Tercer objetivo específico:

Determinar si la implementación de una cobertura del precio del petróleo tiene un
impacto positivo en el presupuesto del Gobierno.
1.4 Justificación de la investigación
La volatilidad del precio del petróleo hace que los precios de los metales, alimentos y
otros productos básicos se incrementen generando implicaciones políticas, asimismo
incrementa el riesgo del ingreso de los hogares, una posible pérdida de producción para
las empresas e incremento de los subsidios gubernamentales. Kuncoro (2011)
El Perú es un país importador neto de petróleo, por lo que un incremento o disminución

en el precio puede generar deterioro de la balanza fiscal debido a que aplican subsidios
durante el periodo de alza del precio del petróleo o generan menores ingresos debido a
la desaceleración económica. Es por ello que es importante analizar el uso de derivados
financieros como herramienta para asegurar los equilibrios fiscales y sociales
comparándolo con el actual mecanismo de estabilización de precios que corresponde a
subsidios parciales, el cual permite reducir la volatilidad del precio internacional del
petróleo. Actualmente varios países utilizan los derivados financieros para asegurar sus
equilibrios fiscales como: México, Uruguay, Brasil, Panamá entre otros.
Durante el desarrollo de esta investigación se han encontrado pocas referencias al tema

de Macrohedging en el Perú, es por ello que el presente trabajo es útil por cuanto
permitirá demostrar que tan prudente y beneficiosa es la cobertura frente a los
mecanismos de protección del gobierno. Asimismo, el presente estudio busca crear un
antecedente de investigación y contribuir a la toma de decisiones de política fiscal a las
autoridades competentes.
II. MARCO TEÓRICO CONCEPTUAL

2.1 Antecedentes de la investigación
15
De acuerdo con la revisión de la literatura, existen diversas investigaciones que se
centran en el impacto del precio del petróleo sobre la economía en países emergentes,
exportadores/importadores netos de petróleo o los países desarrollados. Algunos
trabajos consideran el impacto del precio del petróleo sobre determinadas variables
macroeconómicas (tipo de cambio, inflación o desempleo), otros trabajos estiman un
sistema de ecuaciones con las principales variables de afectación y utilizan técnicas
econométricas para analizar la interrelación entre las variables incluidas. A continuación,
se mencionan algunos trabajos realizados:
Sánchez-Albavera y Vargas (2005) estima los efectos del incremento del precio del
petróleo en economías de América Latina. Con esta finalidad realiza simulaciones de la
balanza comercial de países exportadores (Argentina, Colombia, Ecuador, México y
Venezuela) e importadores (Bolivia, Brasil, Chile, Paraguay, Perú y Uruguay) de
petróleo. En este trabajo el autor describe el mercado mundial de petróleo explicando
las distintas causas de la volatilidad de este commodity. Llega a la conclusión de que el
Perú, aunque en menor medida que sus pares de la región, recibe un impacto
significativo en su balanza comercial, acentuándose más si el precio del petróleo sube.
Respecto al PBI los países importadores de petróleo, estima que tendrán un impacto
menor al 1%, mientras que para los países exportadores se esperaría un impacto
diferenciado en función de la participación del crudo en sus exportaciones totales.
Asghar y Naveed (2015) investigaron la transmisión a largo plazo de los precios

mundiales del petróleo a la inflación doméstica de Pakistán utilizando información
mensualizada en el periodo 2000-2014. Incorporaron en su investigación la prueba de
Dickey Fuller Aumentado (DFA), luego con el criterio de información de Akaike se
determinó el número de rezagos óptimo (2 rezagos) para el modelo VAR. Seguidamente
se aplicó el test de causalidad de Granger. Debido a que Pakistán es un país importador
de petróleo, tiene un gasto significativo en la importación de este commodity. El trabajo
de investigación concluye que el precio del petróleo y la tasa de cambio impactan
significativamente en la inflación. Asimismo, los hallazgos del test de causalidad de
Granger revelan que existe causalidad unidireccional que va desde el precio
internacional del petróleo hasta la tasa de inflación, de la inflación al tipo de cambio y
del precio del petróleo al tipo de cambio.
Abeng y Alehile (2012) investigaron el vínculo entre el déficit fiscal y las principales
variables macroeconómicas en Nigeria. El estudio utiliza data trimestral de 1990-2011
que permite no solo incorporar el efecto de la crisis económica financiera, sino también
los aspectos políticos y socioeconómicos dentro de la economía en el modelo. Se
adopta la metodología del VECM Johansen y Juselius (1990) debido a que ofrece
estimadores eficientes de vectores cointegrantes, permitiendo probar la cointegración
en un sistema de ecuaciones. El resultado apunta a que los roles críticos del PIB real,
el tipo de cambio nominal, la tasa de inflación, la tasa de interés y el precio del petróleo
influyen la financiación del gasto público en Nigeria. El déficit fiscal está
significativamente influenciado por el precio internacional del petróleo y el tipo de
cambio. Se debe tener en cuenta que el petróleo representa una gran cantidad de
ingresos, mientras que el tipo de cambio de una economía dependiente de las
importaciones como Nigeria es un factor crítico determinante. Asimismo, el modelo
revela el impacto del precio del petróleo sobre el nivel de precios de la economía, la que
a su vez es una variable de interés para las autoridades monetarias.
Delgado, N., Delgado,B., Saucedo, E. (2018) explora el efecto del precio del petróleo
sobre la tasa de cambio para una serie mensual 1992-2017 en México utilizando el
modelo VAR, teniendo como resultado que un incremento en el precio del petróleo
causa un incremento en la tasa de cambio.
16
Gunu y Kilishi (2010) utilizaron el modelo VAR para estimar el impacto de los cambios
en el precio del petróleo sobre cuatro variables macroeconómicas: PIB, oferta
monetaria, desempleo y el índice de precios al consumidor en Nigeria en un periodo de
tiempo de 1970-2008, teniendo como resultado que el precio del petróleo tiene un
impacto significativo en el PIB real, la oferta monetaria y el desempleo, pero no tienen
un impacto significativo en el índice de precios al consumidor.
Mukhtarov, Mammadov y Ahmadov (2019) investigaron la relación entre la inflación,

el precio del petróleo y el tipo de cambio en Azerbaiyán. Se utilizó data de 1995 a 2017
para el petróleo Brent, la tasa de inflación y el tipo de cambio. En primer lugar, se usó
el test de Dickey Fuller aumentado y el test de Philips y Perron para probar la no
estacionariedad de las variables. Luego se utilizó el test de Johansen para medir su
cointegración. Finalmente se usó el modelo de corrección del vector de error (MCVE)
para analizar las relaciones a largo plazo entre las variables. Se encontró que las
variables son no estacionarias, pero sí lo son en sus primeras diferencias. Luego de
aplicar el test de Johansen se usó un vector autorregresivo, siendo el de orden 3 el
óptimo y se concluyó que sí existe cointegración entre las variables. Finalmente, al
aplicar el método MCVE se encontraron coeficientes estadísticamente significativos de
la relación a largo plazo entre el precio del petróleo, la inflación y el tipo de cambio. Los
resultados mostraron que un incremento de 1% en el precio del petróleo impacta en la
inflación en el largo plazo en 0.58%. Asimismo, 1% de incremento en el tipo de cambio
aumenta la inflación en 1.81%. También se explica que se puede esperar una baja
inflación si el precio del petróleo es bajo. Un comportamiento similar se encontró para el
tipo de cambio.
Aziza, Cihan, Symbat y Almaz (2019) analizaron cómo y en qué magnitud el precio del
petróleo afecta las variables macroeconómicas como el índice de producción industrial,
la inflación, el tipo de cambio y las tasas de interés en Rusia. Se utilizó el precio del
petróleo Brent, el índice de producción industrial, la inflación, la tasa de interés de los
depósitos a 3 meses y el tipo de cambio real en un período comprendido desde enero
de 2010 hasta abril del 2017. Además, se tomó el logaritmo de todas las series menos
la de la tasa de interés. Se usaron 4 modelos de regresión diferentes con diferentes
variables dependientes. En primer lugar, se utilizó el test de Dickey Fuller aumentado y
el test de Phillips Perron encontrándose que las primeras diferencias de todas las
variables no tienen raíz unitaria. Luego se utilizó el criterio de Akaike y Schwarz para
determinar el número de rezagos que debería tener el modelo VAR, encontrando que el
óptimo es 3. Además, por el test de causalidad de Granger se encontró que el precio
del petróleo ocasiona cambios en la inflación, el índice de producción industrial y el tipo
de cambio real. Se debe tener en cuenta que el 50% de los ingresos de Rusia proviene
de la venta de petróleo y gas natural. Analizando la función impulso respuesta se
determinó que la inflación es la variable más impactada por el precio del petróleo.
Asimismo, se demostró que en el corto plazo el precio del petróleo impacta en la
inflación, la producción industrial, el tipo de cambio real y la tasa de interés.
Trang, Tho y Hong (2017) analizaron la influencia del precio del petróleo en la inflación,
la tasa de crecimiento, el déficit presupuestal y el desempleo en Vietnam durante los
años 2000 a 2015. Se utilizó un modelo de vectores autorregresivos (VAR) para
determinar el impacto causado por el precio del petróleo en las principales variables
macroeconómicas de Vietnam. Se utilizó el método de descomposición de Cholesky
para la matriz de covarianzas de los residuos arrojado por el modelo VAR. Se utilizó
data del 2000 al 2015 y las variables precio del petróleo, porcentaje de incremento del
índice de precios al consumidor, tasa de incremento del PBI, tasa de desempleo en
áreas urbanas y ratio del déficit presupuestal con el PBI. Para el modelo VAR se
encontró que 2 rezagos era lo óptimo y que no hay correlación. De acuerdo con el
17
análisis impulso respuesta se encontró que el precio del petróleo impacta en los factores
de producción, costos de producción y los precios al consumidor. Además, se encontró
que el impacto de los precios del petróleo es muy leve en el PBI, algo que no se
esperaba encontrar sobre todo en un país exportador de petróleo como Vietnam, lo
mismo sucedió para la tasa de desempleo. Se encontró también que la contribución al
presupuesto por los ingresos del petróleo disminuye con el tiempo. Finalmente se
concluye que un shock positivo en el precio del petróleo puede tener impacto en el
incremento de la inflación y el déficit presupuestal. Este impacto, respecto al crecimiento
del PBI y tasa de desempleo, es insignificante.
Gershon, Ezenwa y Osabohien (2019) examinaron las implicaciones de los shocks en

el precio del petróleo en países africanos importadores netos de petróleo. Utilizaron un
modelo de vectores autorregresivos (VAR) para las variables: precio del petróleo, PBI
per cápita y consumo de energía y ejecutaron el test de Dickey Fuller aumentado y el
test de Phillips y Perron para determinar si las variables son o no estacionarias,
finalmente para medir la cointegración de las variables utilizaron el test de Johansen.
Respecto a la data, se utilizó el promedio del precio WTI, Brent y el precio spot de Dubai.
Se incluyó también el PBI per cápita medido en dólares americanos y el consumo de
energía medido en BTU de los países de África del oeste (Cabo Verde, Liberia, Sierra
Leona y Gambia). La serie de datos comprende desde 1980 hasta 2015, se encontró
que las series son estacionarias en sus primeras diferencias. El test de cointegración se
da como resultado que no existe cointegración entre las variables para Cabo Verde,
Liberia y Gambia. Sin embargó se encontró lo contrario para Sierra Leona. Para
encontrar el número de rezagos requeridos (1) para el modelo VAR se utilizó el criterio
de información de Akaike. Luego se utilizó el test de causalidad de Granger
encontrándose que el precio del petróleo impacta en el PBI de Liberia y Sierra Leona,
lo contrario se demostró para Cabo Verde y Gambia. Además, el precio del petróleo
impacta en el consumo de energía de Gambia. De la función impulso respuesta se
observa que un shock positivo en el precio del petróleo incrementará el consumo de
energía en Cabo Verde, Liberia y Gambia, en el corto y largo plazo. Se encuentra
también que un aumento en el shock de consumo de energía provoca un decrecimiento
en el PBI per cápita de Cabo Verde, Sierra Leona y Gambia. Este estudio señala que el
impacto en los países importadores de petróleo varía dependiendo del porcentaje de
importación de petróleo respecto al PBI, la dependencia del petróleo para la generación
de energía, la eficiencia en la producción de energía y los ingresos por el comercio
internacional.
Respecto al tema de cobertura se mencionan algunos trabajos realizados:
Mraovic,A y Zhang,Q.(2014) investigaron qué tan preciso es el enfoque de Levy

comparado con la simulación de Montecarlo. Las opciones asiáticas son un tipo de
opciones que dependen de la trayectoria del activo subyacente. Normalmente se
negocian en mercados over the counter y se utilizan en los mercados de energía,
petróleo y monedas. Se dividen en 2 tipos de acuerdo con la forma en que se calcula el
promedio: opción asiática geométrica y la opción asiática aritmética. Sin embargo, la
dificultad de darle un precio a esta última está en que el promedio aritmético no tiene
una distribución conocida. Levy (1992) propone un enfoque llamado la aproximación de
Wilkinson, el cual debería ser preciso y fácil de implementar. En la investigación los
autores comparan esta metodología analítica y la simulación de Montecarlo que utiliza
100,000 trayectorias, con volatilidad constante y estocástica, para valorizar opciones
asiáticas aritméticas. En ambos casos se asume que el precio del petróleo se comporta
como un proceso Browniano Geométrico.
Como resultado se obtuvo que en volatilidad constante el enfoque de Levy sobreestima
el valor de la opción cuando están OTM, ATM y ITM. Solamente lo subestima en OTM
cuando la volatilidad es baja. El error es mayor a volatilidades mayores.
18
Considerando la volatilidad estocástica, que sigue un proceso de reversión a la media,
el enfoque de Levy subestima el valor de las opciones ATM en todos los niveles de
volatilidad; con opciones ITM esto ocurre con volatilidades hasta el 40% y opciones OTM
los resultados del enfoque de Levy no son confiables.
Jaakko,R., Samu,K., Markus,K. y Tuomas,R. (2014) exploraron los métodos de pricing

para las opciones asiáticas (electricidad y petróleo). Debido a que no existe una fórmula
cerrada para valorizar este tipo de opciones se deberá utilizar aproximaciones.
Se utilizó data del precio del petróleo Brent desde el 24-12-2004 hasta el 24-01-2014,
para valorizar las opciones asiáticas con promedio aritmético se usó el enfoque de
Turnbull y Wakeman comparándolo con las simulaciones de Montecarlo. Seguidamente
se propuso 4 modelos para modelar el precio del petróleo: Movimiento Browniano
Geométrico, el Modelo de Ornstein-Uhlenbeck, el modelo de Heston y el modelo de
Schwartz y Smith. Además, se calibró algunos parámetros de estos modelos utilizando
precios de opciones reales a distintos plazos.
El precio de las opciones se calculó con 100,000 trayectorias distintas del precio del
petróleo siguiendo los modelos descritos anteriormente. Se calculó la suma residual de
cuadrados de dos observaciones para evaluar qué modelo se comporta mejor, siendo
el de Heston el de mejor performance. Además, los autores mencionan que en plazos
cortos, el precio arrojado por los modelos se parece a los precios de mercado, mientras
que en plazos largos el error se incrementa. Respecto a las superficies de volatilidad
implícita y las calibradas por los modelos se puede notar que el que usa el movimiento
Browniano Geométrico es plana en plazos largos, mientras que los otros modelos tienen
un mejor ajuste. Sin embargo, ninguno de ellos es capaz de reproducir las altas
volatilidades implícitas con plazos cortos o el sesgo con diferentes strikes.
En cuanto a la validación se pudo notar que los precios simulados tienden a ser menores
que los del mercado. Concluyen también que el movimiento Browniano Geométrico está
por debajo de los demás modelos, siendo el modelo de Heston y Schwartz-Smith los
que pudieron modelar mejor la data real. Sin embargo, ningún modelo pudo explicar
completamente la superficie de mercado, sobre todo para aquellas opciones ilíquidas.
Para las opciones ITM más líquidas los resultados generalmente estuvieron de acuerdo
con el mercado.
Perilla,A. y Oancea,D. (2003) implementaron simulaciones de Montecarlo para obtener

el precio de opciones exóticas. Asimismo, utilizaron el modelo de Hull & White para
modelar la volatilidad y encontrar el precio de opciones asiáticas con promedio
aritmético y se encontró que utilizando el modelo Black & Scholes las opciones ATM
están sobre valoradas, mientras que las que están OTM son infravaloradas. Cabe
destacar que mientras más grande es la volatilidad esta diferencia se amplía. Finalmente
se demostró que la volatilidad estocástica y la introducción de costos transaccionales
aumentan la variabilidad de la cobertura.
Imoro Issah (2015) investiga la dinámica del precio del petróleo, a través de su
modelación con ecuaciones diferenciales estocásticas, implementando el modelo de
Cortazar y Schwartz para el precio de los futuros de petróleo y el modelo de Black
Scholes para determinar el valor de la opción. Para ello empleó los precios del petróleo
WTI desde el 2004 hasta el 2014, así como también el precio de los futuros desde abril
del 2015 hasta diciembre del 2023. Finalmente encontró que las simulaciones fueron
más efectivas mientras mayor sea el número de trayectorias y menor el intervalo de
tiempo.
Ortiz,A. y Martinez,M. (2016) en esta investigación por medio de simulación Monte

Carlo y con el método de remuestreo cuadrático de Barraquand (1995) se determinaron
precios de opciones europeas de compra y de venta, y precios de opciones de compra
19
y de venta con subyacente promedio; además, se supone que la tasa de interés es
estocástica y conducida por un proceso de reversión a la media de tipo Vasicek y CIR.
En la estimación de los parámetros iniciales se consideró el método de máxima
verosimilitud propuesto por Overbeck y Rydn (1997). Los resultados muestran que, al
comparar los precios de opciones europeas con sus contrapartes asiáticas, los precios
de opciones asiáticas son menores en el caso de opciones de compra y de venta dentro
del dinero. Para opciones de venta, los precios simulados fueron menores en todos los
casos. Asimismo, se encontró que la diferencia se incrementa conforme el plazo al
vencimiento de la opción aumenta.
Lakhlani V. (2013) Esta investigación introduce el modelo binomial de precios de

opciones (BOPM) que utiliza árboles binomiales para derivar el precio de una opción,
asimismo también se deriva el modelo de Black Scholes comparándolo con el BOPM.
Del análisis se concluye que cuando el número de pasos (n), en el árbol binomial alcanza
∞ el precio binomial es igual al derivado de la fórmula de Black Scholes. Este trabajo
también compara y analiza el precio de las opciones europeas con promedio aritmético
con el precio de la opción asiática utilizando la fórmula de Black Scholes y simulación
de Monte Carlo. Se compararon y analizaron cuatro técnicas de Monte Carlo diferentes,
siendo la técnica de muestreo estratificado la más eficiente para obtener precios de
opciones.
El análisis concluyó que los precios de las opciones europeas eran más altos que las
opciones asiáticas, por otro lado, las opciones asiáticas que utilizan promedios
aritméticos eran más caras que las que usan media geométrica.
2.2 Bases teóricas de la investigación

2.2.1 El petróleo en el contexto nacional e internacional
Debido al crecimiento industrial, tecnológico y demográfico la demanda por energía ha
ido en constante aumento, la fuente de energía más importante es el petróleo que
desplazó al carbón a inicios del siglo XX. El petróleo es un producto básico que debe
ser extraído del patrimonio natural, su disponibilidad depende del nivel de reservas con
las que cuente cada país lo que define si es un importador o exportador neto de petróleo.
El precio internacional del petróleo

La volatilidad de los precios internacionales del petróleo en la última década ha sido
significativa, desde el periodo 2002 y 2008 (año en el que alcanza su máximo valor) el
precio spot del WTI pasó de 26.16 USD/barril hasta 100.06 USD/barril para una posterior
caída en el año 2009 debido a la crisis financiera. Luego el precio del petróleo pasa por
un periodo de recuperación sostenida para nuevamente caer en el año 2015. Al cierre
del 2019 el precio se situó en 56.96 USD/barril como puede verse en la gráfica 2.
Gráfica 2: Evolución del precio del petróleo
20
Fuente: British Petroleum (2019) Elaboración: Propia
Factores determinantes de la evolución del precio del petróleo

De acuerdo con el reporte de Industria de Hidrocarburos Líquidos en el Perú
(OSINERGMIN, 2015) para el periodo 2005-2008 se alcanza un crecimiento
exponencial en el precio del petróleo por lo cual se identifican 3 factores claves
(Hamilton,2009): 1) el crecimiento sostenido de China y otros países asiáticos, 2) el
desplome de la producción de Arabia Saudita, y 3) factores especulativos. Por tanto,
otro de los factores que modifican el precio de largo plazo del crudo son las variaciones
sostenidas de la demanda. Para el 2014 se evidencia una fuerte caída del precio debido
a : i) incremento en la producción de petróleo proveniente de fuentes no convencionales
(EU, Canadá, entre otros) asociado al desarrollo tecnológico (fracking) abaratando
costos de extracción, ii) la no reducción de la oferta por parte de Irak o Irán y la
recuperación de la oferta de Libia, que en conjunto con la del petróleo no convencional
originó un exceso de oferta , y iii) la reducción de la demanda de China (Vásquez et al.
2015).
Entre el 2017 y 2018 el precio se incrementa, este repunte está asociado a los recortes
de la producción de la OPEP y de sus socios, sanciones estadounidenses a Irán y a la
abrupta caída de la producción en Venezuela.
El gasto del petróleo como porcentaje del PBI

Siguiendo a Yépez y Dana (2012), los países que presentan mayores proporciones de
importaciones de petróleo respecto del PBI tienen una vulnerabilidad considerable
respecto a la volatilidad del precio del petróleo, para el caso de Perú este porcentaje se
sitúa en promedio alrededor del 2.7% entre el 2000-2019 de acuerdo con la gráfica 3:
Gráfica 3: Importaciones de petróleo respecto al PBI (%)
Fuente: BCRP Elaboración: Propia
2.2.1.1. La Oferta y Demanda del Petróleo en el contexto internacional

Oferta
De acuerdo con el reporte de British Petroleum (2019), la producción mundial de
petróleo y LGN totalizó alrededor de 95.19 (MMBPD). Los principales países
productores fueron Estados Unidos (17.9%), Arabia Saudita (12.4%) y Rusia (12.1%),
los tres países en conjunto representaron el 42.4% del total de la producción mundial.
Latinoamérica y Centro América representaron 6.5% de la producción total entre los
cuales destacaron Brasil (3.0%), Venezuela (1.0%) y Colombia (0.9%). El Perú
representó 0.1% de la producción mundial de petróleo y 2.30 % de Latinoamérica y
Centroamérica (Ver gráfica 4).
21
Gráfica 4: Producción de Petróleo
Demanda
Durante el siglo XX, se observó en gran parte del mundo que el crecimiento económico
estuvo acompañado de un consumo creciente de combustibles derivados fósiles. De
acuerdo con el reporte de British Petroleum, en el 2019 los principales consumidores de
hidrocarburos líquidos fueron Estados Unidos (20.3%), Europa (15.2%) y China (14.0%),
que conjuntamente representaron la mitad de la demanda mundial. A nivel de
Latinoamérica y Centroamérica el consumo de hidrocarburos líquidos estuvo compuesto
por: Brasil (3.1%), Argentina (0.6%) y Venezuela (0.4%), en el Perú fue 0.27 MMBPD,
que representa el 0.3% del consumo mundial. (Ver gráfica 5).
Gráfica 5: Consumo de petróleo
En la gráfica 6 muestra el consumo per cápita del Perú, los principales países de Latam
y el promedio de consumo de estos países. Como puede observarse, Perú usa menos
hidrocarburos líquidos por persona respecto al promedio de la región.
22
Gráfica 6: Consumo per cápita de petróleo en los principales países latinoamericanos
2.2.1.2 La Oferta y Demanda del Petróleo en el Perú

Producción de energía Primaria
El petróleo crudo representa un 9.8% de participación en la producción de energía
primaria en el país siendo el gas natural el de mayor participación con un 63.2%, seguido
de Hidroenergía con un 13.2%. (Ver gráfica 7).
Gráfica 7: Participación de las fuentes en la producción interna de energía primaria 2018
Fuente: MINEM
Oferta de Energía Primaria

La oferta interna bruta de energía primaria considera de forma agregada a la producción
total, la variación de inventarios y las importaciones. La oferta tiene como destino los
centros de transformación (90.2%) y el consumo directo (9.8%), las fuentes de mayor
participación al cierre del 2018 corresponden al gas natural (incluidos líquidos) con
50,9%, seguido del petróleo crudo con 25,9%, la hidroenergía con 10,6%, y la leña con
8,0%. (Ver gráfica 8).
Gráfica 8: Participación de las fuentes en la oferta interna bruta de energía primaria 2018
23
Fuente y Elaboración: MINEM
Demanda interna de combustibles
La demanda de combustibles se incrementa en el transcurso de los años obteniendo

una matriz energética compuesta por gas natural, diésel, GLP y gasolinas. De acuerdo
con el Anuario Estadístico del MINEM al cierre del 2018 el 66% de la Matriz Energética
Nacional fue atendida por los combustibles líquidos: el gas natural representó 34%, GLP
12%, Gasolina/Gasoholes 12%, destilados medios (incluye Turbo y Diesel) 38%,
petróleo industrial 2% y otros 2%. (Ver gráfica 9).
Gráfica 9: Demanda de Combustibles, 1994-2018
MBPCE (Miles de Barriles Equivalentes de Petróleo)
Fuente: Empresas del Subsector Hidrocarburos. Elaboración: DGH-MINEM
Respecto al consumo final Nacional, el mayor consumo energético correspondió al

sector transporte, con una participación del 40,1%, seguido del sector Industrial y Minero
representando el 26,87%, sectores Residencial, Comercial y Público con un 24,9%,
Agropecuario/Pesca con el 1,1% de participación y finalmente no energético (derivados
no energéticos del petróleo crudo y gas natural como aceites lubricantes, solventes, etc.)
con 1.6% (Ver gráfica 10).
24
Gráfica 10 :Participación por sectores en el consumo final de energía 2018
Fuente: MINEM
En la gráfica 11 se observa que el DB5 S-50 es el combustible con mayor participación

en la demanda (54.28%), seguido del Gasohol (21.86%) y TurboA1 (11.40%). El diésel
DB5 S-50 proviene de una mezcla de diésel S-50 (95%) y biodiésel B100 (5%) este tipo
de combustible garantiza el suministro de motores diésel de vehículos para transporte
terrestre, plantas de generación eléctrica y equipos para la industria pesquera, minera,
agrícola y el sector construcción.
Gráfica 11: Demanda de combustibles líquidos (MBPD) 2019
Fuente: SCOP, SPIC
Respecto al petróleo crudo importado, nuestros principales proveedores fueron:

Ecuador, seguido de Estados Unidos y Colombia. Este crudo se procesó en la Refinería
Talara y Conchán.
Importaciones:
Para el año 2019 se registró en promedio 3.19 MM de BLS importados de petróleo crudo
los cuales alcanzaron un valor de USD 2,5 mil millones de dólares de acuerdo con las
cifras presentadas en la tabla 1.
25
Tabla 1: Importaciones petróleo crudo
Total
Fecha RELAPASA PETROPERU MUSD
MBLS
Ene-19 3,077 344 3,421 194,266
Feb-19 2,816 719 3,535 223,101
Mar-19 2,497 756 3,253 215,158
Abr-19 2,378 376 2,755 197,282
May-19 1,638 739 2,377 168,145
Jun-19 3,046 755 3,801 242,972
Jul-19 1,936 755 2,691 173,680
Ago-19 2,958 704 3,662 220,442
Set-19 2,502 376 2,879 180,714
Oct-19 3,100 1,073 4,174 258,235
Nov-19 2,728 445 3,173 222,931
Dic-19 2,281 294 2,575 182,051
Fuente: Ministerio de Energía y Minas
En la gráfica 12 se observa la evolución de las importaciones de combustibles

primarios:
Gráfica 12: Evolución de importaciones de combustibles primarios en millones de dólares
6,451 6,586
7,000
5,749 5,881 5,751 5,648
6,000 5,222 5,389
5,000 4,070
3,628 3,669 3,820
4,000
2,927
3,000
2,000
1,000
-
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
Combustibles primarios
Fuente: INEI Elaboración: Propia
2.2.1.3 Efectos de la volatilidad en el precio internacional del petróleo
La volatilidad en el precio del petróleo afecta a las economías de distintas maneras tanto
de manera directa como indirecta. De acuerdo a Yépez y Dana (2012) “los países
exportadores prefieren un incremento en los precios siempre y cuando los ajustes de la
demanda no reduzcan sus ingresos. Sin embargo, una subida de precios afecta la
economía interna de los países importadores de petróleo negativamente tanto a nivel
macroeconómico como a nivel microeconómico”.
A continuación, se detalla las variables macroeconómicas que se estudiarán en el

presente trabajo para analizar el efecto del precio del petróleo sobre ellas.
Inflación
La volatilidad en el precio internacional del petróleo puede afectar directamente a la

inflación a través de mecanismos de traspasos de precios (pass-through) a los
26
consumidores, debido a que los precios del consumidor están muy vinculados al precio
del petróleo. Los productos del petróleo no solo son utilizados como productos finales
sino también en muchos procesos productivos y actividades económicas. El efecto de
pass-through del precio del petróleo sobre la inflación hace deteriorar este índice
ocasionando una disminución en el estándar de vida, incremento en la tasa de
desempleo y pérdida de confianza del consumidor. En la gráfica 13 se muestra el
comportamiento del índice de inflación anual de la economía peruana:
Gráfica 13: Inflación 2000-2019
Fuente: Banco Interamericano de Desarrollo Elaboración: Propia
Balanza Comercial
Un incremento en el precio del petróleo afecta directamente la balanza comercial en

aquellos países que son importadores netos de petróleo. De acuerdo a Yépez y Dana
(2012) y según estimaciones del FMI, los países pobres que están altamente
endeudados recibirían un mayor impacto debido a su falta de diversificación económica
y dependencia de bienes de capital importados. La gráfica 14 muestra cómo ha
evolucionado la balanza comercial en el Perú registrando un superávit hasta el año
2012, para el periodo 2013-2015 se registra un déficit debido a un retroceso del valor
exportado explicado principalmente por una caída en los precios en productos
tradicionales como los metales (cobre, oro, plomo y zinc), a partir del 2016 se evidencia
una recuperación.
Gráfica 14: Balanza Comercial
27
Equilibrio Fiscal
Los países importadores difieren de los exportadores de dos maneras: primero, el

tamaño del impacto que enfrentan los exportadores es mucho mayor que el de los
importadores debido a que en muchos casos su economía depende de estos ingresos;
y segundo, el aporte de los ingresos del sector petrolífero a los ingresos fiscales
normalmente es mucho mayor.
De acuerdo con Yépez y Dana (2012), una subida del precio del petróleo para los países
importadores ocasiona mayores subsidios (para cubrir las importaciones de crudo) o
menores ingresos (desaceleración económica), lo que se traduce en el deterioro de su
balanza fiscal. Por otro lado, la caída del precio del petróleo constituye una oportunidad
para que muchos países reduzcan los subsidios a la energía y utilicen el ahorro para
transferencias mejor dirigidas, y para que algunos aumenten los impuestos sobre la
energía y reduzcan otros impuestos. En la gráfica 15 se puede observar el resultado
económico en los últimos años, en el periodo 2015-2019 se ha registrado un incremento
del déficit fiscal esto en gran medida por una disminución en los ingresos derivados de
la caída de precios de las materias primas, la desaceleración de la economía e
incremento de los gastos recurrentes en especial los rubros de bienes, servicios y
salarios.
Gráfica 15: Resultado Económico anualizado del SPNF
2.2.2 Mecanismos de Estabilización de Precios
De acuerdo con el enfoque teórico se evidencia que fluctuaciones en el precio del

petróleo tienen una marcada influencia en aquellas economías que son dependientes
de las importaciones de los derivados del petróleo. Es por ello que muchos países
deciden establecer mecanismos de estabilización de precios para atenuar la transmisión
de la volatilidad del precio del commodities con el objetivo de reducir el impacto sobre
el bienestar de los consumidores.
Esquemas financieros para reducir la volatilidad del precio del petróleo
En esta sección se describirán aquellos mecanismos que pueden servir para administrar
los riesgos asociados a la volatilidad del precio del petróleo, estos pueden ser usados
tanto en el sector privado como en el sector público:
28
Autoaseguramiento
Consiste en lograr una senda de consumo estable generando ahorro o acumulación de

recursos en periodos de precios favorables (precios bajos del petróleo) con la finalidad
de financiar el consumo ante posibles escenarios de shock o que generen un incremento
en el precio del petróleo y derivados. Estos recursos acumulados dependen de que en
el escenario de precios bajos se generen suficientes recursos para cubrir las brechas
sobre el consumo en el escenario de precios altos, esto dependerá de 3 factores: La
naturaleza del shock, la duración y la gestión del fondo (inversión en instrumentos
financieros líquidos) de tal manera que permita mantener el poder adquisitivo y
disponibilidad de uso. El fondo de estabilización de precios de los combustibles que son
manejados por el Estado representa una forma de auto-aseguramiento.
Hedging
Los mercados financieros ofrecen diversos instrumentos de cobertura como los futuros
y opciones, el cual permite fijar el precio para compras futuras del petróleo mitigando el
riesgo o incertidumbre asociado a las fluctuaciones del precio del petróleo. Esta
cobertura es comparable a un contrato de seguro por lo cual tiene ventajas y
desventajas por ejemplo el adquirir opciones implica un desembolso inicial (prima)
independientemente si se materializa o no el riesgo, el costo de esta prima será clave
para determinar si la cobertura tiene beneficios netos positivos.
Caso Peruano
Fondo de estabilización de precios
El Fondo de Estabilización de los Precios de los Combustibles Derivados de Petróleo

(FEPC) fue creado el 15 de septiembre del 2004 mediante el Decreto de Urgencia N°
010-2004 con una transferencia de recursos del Estado de hasta S/. 60 millones de
soles siempre que los recursos no fuesen suficientes para pagar a los productores o
importadores a los que se adeudase compensaciones. Este fondo busca evitar que la
elevada volatilidad de los precios internacionales del petróleo y sus derivados se
traslade a los precios a los consumidores. La naturaleza del fondo es intangible,
inembargable e intransferible, en la ilustración 1 se presenta la mecánica de
funcionamiento del Fondo de Estabilización:
Ilustración 1:Mecanismo de Funcionamiento del FEPC
29
Fuente: Adaptado de Osinergmin
El FEPC opera mediante el establecimiento de bandas de precios, las cuales tienen

como referencia un Precio de Paridad de Importación (PPI). Cuando el Precio de
Paridad se ubica por encima del límite superior (LS), se generan obligaciones del FEPC
hacia los productores e importadores, este mecanismo es llamado factor de
compensación (FC). Cuando el Precio de Paridad se ubica por debajo del límite inferior
(LI), se generan aportaciones de los productores e importadores a través de un factor
de aportación (FA). En ese sentido, en el mediano plazo el FEPC debe ser un
mecanismo autosostenible.
Principales problemas de los mecanismos de compensación:
Los mecanismos de compensación como el FEPC conllevan altos costos fiscales que
pueden afectar la sostenibilidad de las finanzas públicas, desplazamiento del gasto
público productivo y adecuada focalización de los recursos.
− Generan altos costos fiscales
Elevados costos fiscales pueden afectar en la sostenibilidad de las finanzas

públicas, un costo fiscal excesivo resta recursos para impulsar el crecimiento
económico, reducir la pobreza y la desigualdad.
De acuerdo con información del Marco Macroeconómico Multianual (2019-2022)

el costo fiscal total del FEPC, desde su creación en el 2004 hasta junio de 2018,
asciende a S/8 905 millones (tendencia del 0.2% del PBI cada año). En cuanto
a la distribución del costo fiscal por combustible, el diésel fue el de mayor
participación (51,2%), seguido del GLP (31,5%), y de las gasolinas y gasoholes
(11,3%). Al cierre de junio 2018 la acumulación de obligaciones en el FEPC
asciende a S/. 870 MM. Estas obligaciones constituyen un contingente, pues el
Estado debe realizar transferencias al FEPC cuando no tenga recursos
suficientes para el pago de sus obligaciones.
Tabla 2: Transferencias al Fondo de Estabilización de Precios de los Combustibles

(Millones de Nuevos Soles)
30
Año Norm ati va Monto ej ecutado
2005 DU 035-2005 180.00
2006 LEY 28750 3.00
2007 LEY 28927 40.00
2007 DU 047-2007 150.00
2008 DU 014-2008 200.00
2008 DU 017-2008 200.00
2008 DU 020-2008 200.00
2008 DU 024-2008 200.00
2008 DU 029-2008 600.00
2008 DU 042-2008 750.00
2009 DU 006-2009 500.00
2009 DU 009-2009 500.00
2009 DU 125-2009 100.00
2010 DU 006-2010 175.00
2010 DU 031-2010 300.00
2010 DU 083-2010 720.00
2011 DS 049-2011 600.00
2011 DS 076-2011 664.00
2011 DS 129-2011 450.00
2011 DS 143-2011 155.00
2011 DS 234-2011 610.00
2015 DS 275-2015 259.00
2015 DS 396-2015 34.00
2015 DS 154-2015 276.00
2016 DS 289-2016 236.47
2018 DS 268-2018 596.00
Total 8,698.47
Fuente: MEF Elaboración: Propia
− Desplazamiento del gasto público productivo
El costo fiscal que implica el FEPC desplaza la transferencia de recursos a

sectores clave como educación, salud, infraestructura o innovación los cuales
podrían incrementar la capacidad productiva de la economía. De acuerdo con
cifras del Marco Macroeconómico Multianual en el caso peruano, el costo fiscal
total del FEPC implica un costo de oportunidad significativo, representando 1,7
veces el Presupuesto Inicial de Apertura (PIA) de 2018 para educación superior
y 2,1 veces el PIA de 2018 para atención médica especializada.
Gráfica 16 : Costo fiscal del FEPC, y gasto por función en educación y salud
Fuente y Elaboración: MEF
− Adecuada Focalización de Recursos
31
Estos mecanismos deberían priorizar su impacto a los grupos más vulnerables
de la población, dado que estos asignan mayor parte de su gasto a bienes
sensibles a la volatilidad de los precios de los combustibles. Sin embargo, un
estudio del FMI (2013) halló que los mecanismos de compensación a precios
de los combustibles benefician más a los segmentos de la población con
mayores ingresos. En Perú, según la Encuesta Nacional de Hogares (Enaho)
del INEI, el quintil más pobre percibe del FEPC 8 veces menos beneficios que
el quintil más rico en el caso del diésel y 3 veces menos en el caso del GLP.
(Marco Macroeconómico Multianual 2019-2022)
Principales medidas adoptadas para fortalecer el FEPC (2010-2012)
En los últimos años se han adoptado medidas para optimizar la operatividad del FEPC
y reducir su impacto en las cuentas fiscales. Estas medidas han estado orientadas a:
− Reducción de la discrecionalidad en el ajuste de precios de combustibles

a través de la implementación de reglas periódicas de ajuste automático de las
Bandas FEPC. De acuerdo con cifras del Marco Macroeconómico Multianual
(MMM), esta medida permitiría un ahorro fiscal de S/100 millones en un
escenario con precio de petróleo de 50 US$/bl aproximadamente, en caso de
que el precio se sitúe alrededor de 100 US$/bl, el ahorro aumentaría hasta
S/1.200 millones.
− Regulación de los productos que componen el FEPC, los cuales buscan

excluir aquellos combustibles que son utilizados por segmentos de la población
con mayores ingresos como gasolina de 97 y 95 octanos. De acuerdo con cifras
del Marco Macroeconómico Multianual (MMM) los resultados de esta reforma
han sido positivos, la cobertura del FEPC se redujo del 98% del total de ventas
de combustibles en el país, en 2005 a 41% en el 2018; lo que significó una
reducción del costo fiscal en hasta S/ 2000 millones por año.
Uso de instrumentos financieros por parte de los Gobiernos

El uso de instrumentos financieros no es muy extendido en las políticas de gestión de
riesgos del precio de los commodities de los gobiernos sin embargo a lo largo de los
años se puede apreciar que países importadores y exportadores han utilizado
coberturas financieras, algunos ejemplos de países exportadores:
México: Desde el 2001 ha gastado anualmente 0,1% del PIB en cobertura con opciones.
Las ejerció sólo en tres ocasiones: 2009, 2015 y 2016 y le generó al gobierno federal un
ingreso de alrededor de 0.5%, 0.6% y 0.3% del PIB, respectivamente. Aproximadamente
un tercio de los ingresos se atribuye al petróleo y al gas, según Fernando Aportela,
subsecretario de la SHCP (Secretaría de Hacienda y Crédito Público), "el programa de
cobertura de petróleo para 2015 proporcionó $ 6,3 mil millones en ingresos para el
gobierno federal, proporcionando un apoyo clave para el presupuesto.
Brasil: La compañía petrolera brasileña controlada por el Estado, Petróleo Brasileiro,

gastó $ 445 millones en opciones de venta para asegurar un precio mínimo de $ 65 por
barril para parte de su producción de petróleo en 2018.
Ecuador: En el año de 1993 participó en una cobertura de petróleo que involucra

opciones de venta por $12 millones en prima y swap $5 millones, estas transacciones
resultaron en costos de $20 millones generando una gran pérdida, causando agitación
32
política que llevó al fin de la cobertura petrolera del país e investigaciones a funcionarios
del Banco Central y de la Junta Monetaria.
Para el caso de países importadores:
Panamá desde el 2009 cubre sus importaciones de petróleo a través de opciones de

compra, en línea con su Estrategia Nacional de Cobertura de Riesgos de Hidrocarburos.
Marruecos cubrió las importaciones de diésel a través de opciones de compra en 2013.

Asimismo, Jamaica compró opciones de compra para cubrir las importaciones de
petróleo desde junio de 2015 hasta diciembre de 2016.
Uruguay compró opciones de compra para cubrir 6 millones de barriles de petróleo, lo

que corresponde a aproximadamente al 50% de sus importaciones anuales de petróleo,
durante un período de 12 meses a partir de mediados de 2016, se considera la primera
transacción de cobertura de productos básicos entre un estado soberano de mercado
emergente y el Banco Mundial.
Ghana cubrió sus importaciones de petróleo a través de opciones de compra de 2010

a 2012; el programa tenía un volumen inicial de 1 millón de barriles por mes, que
posteriormente se incrementó a 2 millones de barriles por mes. Cuando Ghana se
convirtió en exportador de petróleo, el país también cubrió sus exportaciones de petróleo
en 2011 y 2012.
Principales razones en el uso de instrumentos financieros por parte de los

gobiernos
De acuerdo con el Fondo Monetario Internacional (James A.,2001) algunas de las

principales restricciones por la cual el gobierno no utiliza instrumentos financieros para
la cobertura del riesgo asociado al precio del petróleo son las siguientes:
- Volumen de mercado: Los límites de volumen podrían restringir la cobertura de

los grandes productores de petróleo, especialmente más allá de los 6 meses.
- Capacidad crediticia: Los gobiernos con una mala situación crediticia pueden
encontrar limitado su acceso a ciertos instrumentos de cobertura. Por ejemplo,
una transacción de swap requeriría que un intermediario financiero asuma el
riesgo de que el gobierno cumpla con sus obligaciones bajo el swap en caso de
que los precios del mercado se muevan en su contra durante un período de
muchos años. El acceso a otros instrumentos, como los futuros o la compra de
opciones, probablemente no se vería limitado.
- Capacidad institucional y riesgo operacional: Las implicaciones para el

personal (y los costos) de implementar y monitorear las operaciones de
cobertura pueden ser significativas. Las actividades de gestión de riesgos
requieren un conocimiento considerable de los instrumentos financieros y un
marco institucional adecuado dentro del cual realizar operaciones de cobertura.
Las operaciones de cobertura suelen ser complejas y si no se cuenta con la
capacidad institucional adecuadamente desarrollada, pueden conducir a una
menor transparencia y fomentar una mala gestión. También se puede obtener
asistencia técnica sustancial de muchas fuentes, por ejemplo, el Banco Mundial.
33
- Impacto en el mercado: Las ventas a plazo de un gran exportador pueden
provocar una reacción desproporcionada del mercado, incluso para un pequeño
volumen de ventas. La posibilidad de una cantidad masiva de oferta y un cambio
radical en el uso de los mercados de riesgo por parte de los productores puede
hacer que los precios bajen más de lo que se justifica simplemente por el tamaño
de cualquier transacción. Si el productor es miembro de un cartel, por ejemplo,
la OPEP, el efecto puede ser aún mayor. Y aunque la confidencialidad es
posible, no se puede garantizar. Claramente, un gran productor no puede
intentar vender toda su producción en el futuro. Pero eso es muy diferente a un
productor de tamaño modesto que usa gradualmente una amplia gama de
instrumentos de cobertura para proteger una parte de sus ingresos petroleros.
2.2.3 Instrumentos de gestión del riesgo
Con el objetivo de administrar el riesgo que implica la volatilidad del precio del petróleo
se analizarán los distintos instrumentos financieros que se pueden utilizar como una
cobertura financiera.
Instrumentos Financieros
Los Instrumentos Financieros Derivados (IFD) son instrumentos financieros o contratos

cuyo valor se basa en el precio de un activo negociado como acciones, índices, valores
de renta fija, tasas de interés, tipos de cambios o materias primas y se caracterizan por
fijar una fecha de liquidación futura. Su cotización puede realizarse en mercados
organizados (bolsas) o no organizados (Over the Counter). Los principales tipos de
instrumentos derivados son forwards, futuros, swaps y opciones que son utilizados para
mitigar el riesgo y cubrir las posiciones físicas y/o activos.
Cobertura sobre el riesgo de precio de los commodities
Existen varios instrumentos financieros que pueden utilizarse para cubrir el riesgo de los
precios de los commodities. En términos generales, estos instrumentos consisten en
futuros, contratos forward, opciones y swaps. A continuación, se proporciona una breve
descripción de las características clave de estos instrumentos.
Futuros: Los contratos de futuros son acuerdos entre dos partes para comprar o vender
una cantidad específica de un producto a un precio determinado en una fecha futura
específica.(Hull, 2015).
(a) Los contratos de futuros son estandarizados y negociados en bolsa de valores

como la Chicago Mercantile Exchange, que provee los mecanismos necesarios
para que la parte compradora y compradora cumplan con lo pactado. Los
commodities que se tranzan en estos mercados van desde ganado y azúcar
hasta aluminio y oro. Además se puede negociar con índices de acciones,
monedas y bonos del tesoro. (Hull, 2015).
(b) Aunque los contratos de futuros se basan en una venta futura de un producto,
generalmente se liquidan en efectivo y rara vez terminan en una entrega física.
Por lo tanto, los participantes del mercado en el comercio de futuros de
commodities (materias primas, metales y energía) no son necesariamente
productores o compradores que buscan cubrir el riesgo de los precios, sino
también inversores que no están relacionados en el mercado de los commodities
y están en busca de obtener ganancias de las transacciones, aprovechando el
movimiento de los precios de éstos.
34
Forward
Los contratos Forward son similares a los futuros, ya que se basan en el acuerdo de
una venta futura de un commodity.
(a) La principal diferencia respecto a un contrato futuro es que los contratos forward
no están estandarizados y generalmente se negocian over the counter. Esto
conlleva a que los costos de transacción para cubrir el riesgo de precio pueden
ser más altos a comparación de los futuros. Estos contratos pueden ser
personalizados a las necesidades del comprador.
(b) Los contratos forward pueden tener riesgo de incumplimiento por una de las
contrapartes debido a que no existe una cámara de compensación a diferencia
de los futuros.
Swap
Los contratos swap son instrumentos financieros donde las parte contratantes
intercambian flujos de efectivo que están basados en el precio del subyacente.
(a) Los swaps son frecuentemente utilizados por los consumidores de commodities
para fijar el precio de los commodities en el mediano y largo plazo.
(b) Los productores de commodities utilizan los swaps para cubrir el riesgo de
precios. Estos contratos generalmente son vendidos en mercados over the
counter y no cotizan en bolsa.
Los swaps de commodities representan una participación relativamente pequeña en el

mercado, mientras que la mayoría se basa en activos o índices como tipos de interés o
tasas de cambio.
Opciones
Los contratos de opciones ofrecen el derecho, pero no la obligación, de comprar o

vender el activo subyacente a un precio determinado (precio de ejercicio o strike) en una
determinada fecha futura. Es importante notar que al contrario de los forwards y futuros,
las opciones no obligan al portador a comprar o vender el activo subyacente y de esta
manera actúan como un seguro protegiendo al comprador de un alza o bajada de
precios. (Hull, 2015).
(a) El precio que se paga por la opción es llamado prima y es el único costo a asumir
por el comprador en caso decida no ejecutar su opción.
(b) Las opciones se negocian tanto en bolsas de valores como en el mercado
extrabursátil. (Hull, 2015).
Existen dos tipos básicos de opciones: Opción de compra y Opción de venta. La mayoría
de las opciones son de tipo Europeas o Americanas sin embargo existen otro tipo de
opciones como: Opciones de Barrera, Opciones Asiáticas, Opciones Bermuda, entre
otras.
2.2.3.1 Opciones asiáticas
Las opciones asiáticas conocidas también como opciones promedio, se encuentran

clasificadas como derivados exóticos. Pertenecen a las opciones dependientes de su
35
trayectoria debido a que el valor de la opción al vencimiento no solo depende del valor
que alcance el activo subyacente al vencimiento, sino también de la evolución que tenga
este durante toda la vida del contrato. Estas opciones son utilizadas principalmente en
commodities y mercado de divisas ya que representan una alternativa de cobertura más
barata respecto a otras opciones. Los intentos de valorar las opciones asiáticas en
general han sido realizados por: Kemna & Vorst (1990), Turnbull y Wakeman (1991),
Levy (1992) o Zhang (1998).
Tipos de Opciones asiáticas
Las opciones asiáticas pueden ser europeas o americanas y los promedios utilizados
en los contratos de opción pueden ser aritméticos o geométricos, este promedio se
puede calcular a través del muestreo discreto o continuo, en la práctica la mayoría de
los contratos se suscriben sobre el promedio aritmético con muestreo discreto.
Siguiendo a Osorio (2016), la principal diferencia entre el promedio aritmético y

geométrico es que este último se distribuye mediante un log-normal mientras que el
primero no. Es por ello que las opciones asiáticas con promedio geométrico pueden ser
relativamente fáciles de fijar en un Black-Scholes. Para el caso del promedio aritmético
es difícil encontrar una fórmula cerrada para valorarla, más aún cuando se asume que
la dinámica del precio del activo subyacente sigue un movimiento browniano es decir el
subyacente sigue una distribución lognormal, a diferencia de que la media geométrica
modelada mediante el producto de variables aleatorias lognormales se distribuye
lognormal, la media aritmética es la suma de las variables aleatorias lognormales
correlacionadas.
Actualmente, existen diversas investigaciones en las cuales se hace uso de una

variedad de métodos y técnicas para aproximarse a la valoración de las opciones
asiáticas con promedio aritmético, entre ellas se consideran: Método de simulación
Montecarlo (Kemna y Vorst, 1990), (Carverhill y Clewlow, 1990), (Du, Liu, y Gu, 2013)
y (Mehrdoust, Babaei, y Fallah, 2017). Métodos de la ecuación diferencial parcial,
(Ingersoll, 1987), (Rogers y Shi, 1995), (J. E. Zhang, 1999), (Fouque, Han, y cols.2003)
y (Shi y Yang, 2014). Métodos de árboles binomiales (Hull y White, 1993) y (Klassen,
2000). Método de límites (Lasserre, Prieto-Rumeau, y Zervos, 2006), (Thompson,
1999), (Hugger, 2003), (Rogers y Shi, 1995) y (Chen y Lyuu, 2007). Método analítico
de aproximación (Turnbull y Wakeman, 1991), (Levy, 1992), (Milevsky y Posner, 1998),
(Yor, 2001), (Ju, 2002), (Ballestra, Pacelli, y Zirilli, 2007) y (Fusai y Meucci, 2008).
Existen diferentes tipos de opciones clasificadas en:
- Opción Asiática call/put con promedio aritmético continuo

- Opción Asiática call/put con promedio geométrico continuo
- Opción Asiática call/put con promedio aritmético discreto
- Opción Asiática call/put con promedio geométrico discreto
El uso de opciones asiáticas como instrumento de cobertura posee algunas ventajas

frente a otros instrumentos, dentro de los cuales se destaca:
- Las opciones asiáticas son menos sensibles a choques de gran tamaño o

manipulación de precios ya que su valor al vencimiento depende de la evolución
que tenga este durante toda la vida del contrato.
- La prima de las opciones puede ser menor que su contraparte plain vanilla,
debido a que la volatilidad del promedio será menor que el subyacente, asimismo
36
cuanto más cercana es la fecha de vencimiento la incertidumbre del precio será
menor.
- Existe una menor dependencia de la opción asiática a las variaciones del precio
que una opción plain vanilla en la misma fecha de vencimiento (Wilmott 2006).
2.2.4 Descripción de métodos
2.2.4.1 Movimiento Browniano Geométrico
El Movimiento Browniano Geométrico (MBG) es un proceso estocástico de tipo

gaussiano que describe la evolución temporal de una variable aleatoria. Este proceso
también es conocido como Proceso de Wiener debido a que Norbert Wiener realizó el
trabajo de la formalización matemática del movimiento browniano.
Este modelo es ampliamente utilizado tanto para procesos financieros como para
precios de acciones, asimismo es usado como punto de referencia para modelos
complejos.
El movimiento browniano o proceso de Wiener 𝑊 = {𝑊(𝑡), 𝑡 ∈ ℜ+ } cumple las

siguientes condiciones:
- Comienza en cero es decir 𝑊0 = 0.
- Tiene incrementos estacionarios e independientes.
- Las trayectorias de 𝑊𝑡 son continuas y no es diferenciable en ningún punto.
- Los incrementos 𝑊𝑡 - 𝑊𝑠 son normalmente distribuidos (distribución Gaussiana)
con media 0 y varianza (𝑡 − 𝑠)∀0 ≤ 𝑠 ≤ 𝑡 lo que es equivalente a 𝑊𝑡 − 𝑊𝑠 ∼
𝑁[0, √𝑡 − 𝑠].
Las propiedades estadísticas del movimiento browniano 𝑊 = {𝑊(𝑡), 𝑡 ≥ 0}son las

siguientes:
- Su media es igual a 0; 𝑢𝑊 (𝑡) = 0, ∀ t>=0.
- La covarianza entre dos instantes de tiempo 𝑠 y 𝑡 cumplen: 𝐶𝑜𝑣 [𝑊(𝑡), 𝑊(𝑠)] =
𝑀𝑖𝑛[𝑠, 𝑡], ∀ 𝑠, 𝑡 ≥ 0.
- 𝑊(𝑡) es ½ autosemejante es decir √𝑇𝑊(𝑡) = 𝑊(𝑇𝑡) , ∀𝑡 ≥ 0, ∀𝑇 > 0.
- Las trayectorias de 𝑊(𝑡) son continuas, pero no diferenciables.
El Movimiento Browniano Geométrico se basa en la siguiente ecuación diferencial

estocástica tipo Ito (Nuñez,2009):
𝑑𝑆(𝑡) = 𝑢𝑆(𝑡)𝑑𝑡 + 𝜎𝑆(𝑡)𝑑𝑊(𝑡) (1)
𝑆(0) = 𝑠0 > 0
Donde:
- 𝑆(𝑡): Valor del subyacente en el instante t
- 𝑠0 : Valor del subyacente en el instante inicial t=0 y supone un valor conocido.
- 𝑢 : Parámetro denominado drift o tendencia
- 𝜎>0 : Parámetro denominado volatilidad
- 𝑊(𝑡): Proceso estocástico de Wiener o Movimiento Browniano.
37
La solución a la ecuación (1) es llamado proceso geométrico de Wiener el cual fue
incorporado en 1973 en el artículo de Black- Sholes (Nuñez ,2009):
1 (2)
[(𝑢− 𝜎 2 )𝑡+𝜎𝑊(𝑡)]
𝑆(𝑡) = 𝑆(0)𝑒 2 , 𝑡𝜖𝑇
Donde 𝑡 𝜖 𝑇 tal que 𝑇 = [0, 𝑇] es un intervalo de tiempo en el cual se desarrolla el

fenómeno descrito.
2.2.4.2 Método de Montecarlo
Un enfoque importante para la fijación de precios de los derivados es la simulación de

Montecarlo, que es un proceso estocástico introducido por Boyle (1977) y es utilizado
para aproximar expresiones matemáticas complejas, valorar una opción cuando la
ecuación diferencial no tiene solución explícita o es difícil de resolver por métodos
analíticos. Este método puede ser aplicado a diversos propósitos como: valoración de
derivados, activos de cobertura, análisis de riesgo, pruebas de estrés, calibración de
modelos, estimación estadística entre otros.
La teoría del precio de las opciones se basa en el valor esperado de los payoff
descontados. El enfoque de Montecarlo es una aplicación eficiente de esta teoría, el
cual se resume a continuación (Perilla y Oancea,2003):
- Simulación de una trayectoria del activo subyacente bajo la condición de

neutralidad de riesgo en un horizonte de tiempo deseado.
- Descuento de los payoff correspondiente a la trayectoria de la tasa de interés
libre de riesgo.
- El proceso se repite incorporando un gran número de trayectorias de muestreo
simuladas.
- Finalmente se promedian los flujos de efectivo descontados anteriores sobre el
número de trayectorias para obtener el valor de la opción.
Según la ley de los grandes números esto debería acercarse al precio real de la opción.
Además, el teorema del límite central indica que el error entre el precio estimado y real
tiende a cero con un ratio de convergencia de 1/√𝑁, siendo N es el número de
simulaciones realizadas. Esta tasa de convergencia se basa en el supuesto de que las
variables aleatorias se generan con el uso de números pseudo aleatorios.
Siguiendo a Saavedra e Ibarra en su descripción de la ley de los grandes números, un

buen estimador del valor esperado de una variable aleatoria continua 𝑋 con distribución
𝐹es el valor promedio de una muestra finita de variables aleatorias 𝑋 = (𝑥1 , 𝑥2 , . . . , 𝑥𝑛 ) ,
independientes con distribución 𝐹:
𝑀
1
𝐸(𝑋) ≈ ∑ 𝑋𝑛
𝑀
𝑖=1
Continuando con su explicación Saavedra e Ibarra nos indican que debido a que la
esperanza de una variable aleatoria continua es una integral, la media muestral se
puede usar para la estimación del valor de una integral. Sea 𝐺 una función continua
cuyo argumento es una variable aleatoria con distribución 𝐹, al tener una muestra de
variables aleatorias, independientes e idénticamente distribuidas mediante 𝐹 el valor
esperado de una función 𝐺 continua es:
38
𝑀
1
𝐸(𝐺(𝑥)) ≈ ∑ 𝐺(𝑋𝑖 ) (3)
𝑀
𝑖=1
Aplicación al cálculo de integrales
Saavedra e Ibarra describen que para estimar la integral de una función 𝐺 continua, esta
puede ser calculada como el valor esperado de la función 𝐺 cuando se aplica una
variable aleatoria con distribución uniforme. Considerando un intervalo de integración
[0,1] y sea 𝑥1 , 𝑥2 hasta 𝑥𝑀 una muestra de variables aleatorias, independientes con
distribución uniforme en el intervalo [0,1] se tiene la siguiente expresión:
1
∫ 𝐺(𝑥)𝑑𝑥 = 𝐸(𝐺(𝑥))
0
donde 𝑥 es una variable aleatoria uniforme en el intervalo [0,1].
De acuerdo con la Ley de los Grandes Números esta integral puede aproximarse a:
1 𝑀
1
∫ 𝐺(𝑥)𝑑𝑥 ≈ ∑ 𝐺(𝑋𝑖 )
0 𝑀
𝑖=1
Considerando un intervalo [𝑎, 𝑏]se puede transformar a una integral sobre el intervalo
[0,1] a través de un cambio de variables 𝑥 = 𝑎 + (𝑏 − 𝑎)𝑢 con 𝑑𝑥 = (𝑏 − 𝑎)𝑑𝑢
𝑏 1 𝑀
(𝑏 − 𝑎)
∫ 𝐺(𝑥)𝑑𝑥 = (𝑏 − 𝑎) ∫ 𝐺(𝑎 + (𝑏 − 𝑎)𝑢) 𝑑𝑢 ≈ ∑ 𝐺(𝑎 + (𝑏 − 𝑎)𝑢𝑖 )
𝑎 0 𝑀
𝑖=1
𝑢𝑖 variables aleatorias uniformes en el intervalo [0,1].
Ventajas y Desventajas del uso del método de Montecarlo
- En general este método es flexible y fácil de implementar o modificarse,

asimismo puede utilizarse para resolver problemas de gran dimensión.
- El ratio de convergencia no depende de la dimensión del problema.
- El intervalo de confianza muestra que tan precisa es la estimación y si se
necesita más tiempo y esfuerzo para obtener más precisión.
- Los programas computacionales han reducido el tiempo de cálculo y han hecho
que el método sea más atractivo.
- El problema de este método es que para conocer el valor estimado de un activo
se podría necesitar un número muy grande de simulaciones para que el
resultado tenga una exactitud aceptable. Esto puede consumir demasiado
tiempo y recursos computacionales. Algunos métodos de reducción de varianza
para sobrepasar estos inconvenientes son las variables antitéticas, las variables
de control, etc.
En este trabajo se utilizará la metodología basada en la simulación de Montecarlo que

relaciona las opciones asiáticas con tasas de interés estocásticas y son conducidas por
un proceso de reversión a la media.
39
2.2.5 Modelos de cálculo estocástico
Opción asiática con subyacente promedio y tasa de interés estocástica
Existen diversos trabajos donde la tasa de interés para el cálculo del precio de una
opción sigue un proceso estocástico. Los modelos de volatilidad estocástica juegan un
papel muy importante en las finanzas debido a que describen los movimientos de los
activos subyacentes o factores de riesgo que son factores esenciales en el precio de los
derivados y la medición del riesgo.
Merton (1973) realiza su primer trabajo incorporando la tasa de interés estocástica para
la valuación de una opción, Goldtein y Zapatero (1996) incorporan el supuesto que la
tasa de interés es conducida por un proceso endógeno Vasicek bajo el enfoque de
equilibrio de tasas de interés, Kim y Kunitomo (1999) extienden el modelo de Black and
Sholes modificando la fórmula con tasa de interés determinista y un término de ajuste
conducido por la volatilidad de la tasa de interés. Asimismo, Kim, Yoon y Yu (2013)
incorporan la tasa de interés conducida por un proceso de tipo Hull y White bajo el
enfoque de volatilidad estocástica.
Una forma de considerar la naturaleza estocástica de la tasa de interés es modelarla

por medio de procesos de reversión a la media, existe una amplia literatura respecto a
su análisis como son el modelo de Vasicek (1977) que supone reversión a la media y
un término estocástico browniano, seguido del modelo de Brennan y Shwartz
(1979,1982) y Langetieg (1980). El modelo de Cox, Ingersoll y Ross CIR (1985) el cual
modifica Vasicek incorporando un término estocástico proporcional a la volatilidad
asegurando la positividad de la tasa afrontando el problema de la tasa de interés
negativa de su modelo inicial. Hull-White (1990,1993) es un modelo de dos factores que
complementa a los modelos Vasicek y CIR (Buendía, 2018).
A continuación, se procederá a describir los principales modelos.
2.2.5.1 Modelo de Vasicek
El modelo de Vasicek es un modelo de equilibrio de un factor sobre tipos de interés el

cual contempla movimientos aleatorios (movimiento Browniano) en sus supuestos, se
caracteriza por predecir el tipo de interés a largo plazo mediante la simulación de tipos
de interés de corto plazo considerando la estructura temporal de éstos. Asimismo, los
tipos de interés se mueven dentro de un rango limitado mostrando un comportamiento
regresivo hacia un valor determinado en el largo plazo. La principal ventaja de este
modelo es la linealidad de su proceso el cual lo hace más sencillo de calcular
(Haugh,2010).
El modelo de Vasicek (1977) propuso un modelo de Ornstein-Uhlenbeck (1930) para

modelar el tipo de interés, se tiene la siguiente fórmula matemática para su aplicación a
las tasas de interés:
𝑑𝑟𝑡 = 𝑘(𝜃 − 𝑟𝑡 )𝑑𝑡 + 𝜎𝑑𝑊𝑡 (4)
Donde:
𝑟𝑡 = Tasa en el tiempo t.
𝑑𝑡= Intervalo de tiempo que tiende a cero.
40
𝜎= Parámetro de desviación estándar.
(𝜃 − 𝑟𝑡 )= Factor de derivación de la tasa de interés respecto de la media.
𝑊𝑡 = Movimiento Browniano.
𝑘 = Velocidad de reversión a la media.
2.2.5.2 Modelo de Cox Ingersoll Ross (CIR)

El modelo propuesto por John C. Cox, Jonathan E. Ingersoll y Stephen A. Ross
(CIR,1985) se usa principalmente en la modelización de los tipos de interés a corto
plazo. El modelo CIR tiene como principal ventaja que la tasa de interés es no negativa..
Este modelo posee una ventaja importante respecto al de Vasicek por la no negatividad
de la tasa que arroja, sin embargo no es Gaussiano.
El modelo CIR supone que la dinámica del tipo de interés esta dado por la siguiente
ecuación diferencial estocástica (Cox, Ingersoll y Ross,1985):
𝑑𝑟𝑡 = 𝑘(𝜃 − 𝑟𝑡 )𝑑𝑡 + 𝜎√𝑟𝑡 𝑑𝑊𝑡 (5)
Donde:
𝑟𝑡 = Tasa en el tiempo t.
𝑑𝑡= Intervalo de tiempo que tiende a cero.
𝜎= Parámetro de desviación estándar.
(𝜃 − 𝑟𝑡 )= Factor de derivación de la tasa de interés respecto de la media.
𝑘 = Velocidad de reversión que debe ser positiva para mantener estable el modelo.
𝜎√𝑟𝑡 = Factor de desviación estándar el cual no permite tener tasas de interés negativas.
La principal diferencia respecto a la fórmula del modelo de Vasicek es que el término

volatilidad 𝜎 no es constante, sino que es proporcional a la raíz cuadrada del nivel de la
tasa de interés 𝜎√𝑟𝑡 , lo cual genera un impacto significativo con respecto a la distribución
de probabilidad de las tasas cortas futuras.
El modelo CIR ha sido ampliamente desarrollado y utilizado en la literatura, ya que

proporciona una solución analítica para la estructura temporal de los tipos de interés,
este modelo sigue un proceso estocástico de Ornstein-Uhlenbeck.
2.2.5.3 Modelo de Heston
Heston (1993) propuso un modelo para calcular el precio de opciones que tienen como
subyacente un activo con volatilidad estocástica y cuya varianza sigue un proceso de
raíz cuadrada que deriva en una media de largo plazo (𝜃):
𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + √𝑣𝑡 𝑆𝑡 𝑑𝑊1 (𝑡) (6)
𝑑𝑣𝑡 = 𝑘(𝜃 − 𝑣𝑡 )𝑑𝑡 + 𝜎√𝑣𝑡 𝑑𝑊2 (𝑡) (7)
𝑑𝑊1 (𝑡)𝑑𝑊2 (𝑡) = 𝜌𝑑𝑡, 𝑡 𝜖 [0, 𝑇] (8)
𝑆𝑡 = precio del activo financiero

𝑣𝑡 = Varianza del precio en el tiempo t.
𝜇= Rendimiento promedio del activo, si se considera neutral al riesgo esta es la tasa
libre de riesgo.
41
𝜎= Volatilidad asociada a 𝑣𝑡 .
𝜃= Media de largo plazo de las volatilidades
𝑘 = Velocidad de reversión de 𝑣𝑡 a su media 𝜃
[0, 𝑇]= Intervalo de tiempo.
𝑊1 (𝑡) , 𝑊2 (𝑡)= Procesos Brownianos con coeficiente de correlación 𝜌.
El modelo de Heston es muy utilizado en las instituciones financieras debido a que este
modelo tiene una solución de formula cerrada para fijar el precio de la opción
proporcionando un método relativamente simple para fijar el precio de derivados.
Usualmente el precio 𝑆𝑡 puede ser observado del mercado, sin embargo 𝑣𝑡 no está
disponible. Por lo tanto, la ecuación (6) y (7) pueden considerarse como ecuaciones de
estado y medida respectivamente, considerando el logaritmo de los precios mediante la
ecuación de Ito:
1 1 1
𝑑ln (𝑆𝑡 ) = 𝑑𝑆 − 𝑑𝑆 𝑑𝑆
𝑆𝑡 𝑡 2 𝑆𝑡2 𝑡 𝑡
1 (9)
𝑑ln (𝑆𝑡 ) = (𝜇 − 𝑣𝑡 ) 𝑑𝑡 + √𝑣𝑡 𝑑𝑊1 (𝑡)
2
De las ecuaciones 1 y 3 se obtiene:
𝑑𝑣𝑡 = 𝑘(𝜃 − 𝑣𝑡 )𝑑𝑡 + 𝜎√𝑣𝑡 𝑑𝑊𝑣 (𝑡) ( 10 )
1 ( 11 )
𝑑ln (𝑆𝑡 ) = (𝜇 − 𝑣𝑡 ) 𝑑𝑡 + √(1 − 𝜌2 )𝑣𝑡 𝑑𝑊𝑠 (𝑡)+ 𝜌√𝑣𝑡 𝑑𝑊𝑣 (𝑡), 𝑡 ∈ [0, 𝑇]
2
Donde:
𝑑𝑊𝑠 (𝑡) 𝑑𝑊𝑣 (𝑡)= 0, se tiene las siguientes factorizaciones:
𝑊1 (𝑡) = √1 − 𝜌2 𝑊𝑠 (𝑡)+ 𝜌𝑊𝑣 (𝑡),
𝑊2 (𝑡) = 𝑊𝑣 (𝑡)
2.2.6 Calibración del modelo
De acuerdo a Buendía (2018), la calibración de parámetros es muy importante para la

construcción de modelos financieros, ya que los parámetros no pueden ser establecidos
a priori, teniendo que ser inferidos a partir del comportamiento histórico de las series
temporales que son analizadas. Existen diversas técnicas de estimación de los
parámetros en los modelos de tasa de interés dentro de los cuales tenemos: Método de
Momentos, Mínimos Cuadrados Ordinarios y Máxima Verosimilitud
Van Den Berg (2011, como se citó en Buendía, 2018) menciona dos métodos para la
calibración de un proceso Ornstein-Uhlenbeck: el método de regresión de mínimos
cuadrados y el método de máxima verosimilitud. Por simplicidad se utilizará el método
de máxima verosimilitud, aplicable en aquellos modelos de difusión en los que se conoce
la distribución asociada al modelo, considerando que los modelos de Black and Scholes
(1973), Vasicek (1977), Cox, Ingersoll y Ross (1985) y Cox (1975) se basan en
expresiones cerradas conocidas. (López, 2017)
42
2.2.6.1 Método de máxima verosimilitud (MLE)
Un método alternativo para calibrar los parámetros de los modelos de la tasa de interés
es propuesto por Overbeck y Ryden (1997) el cual considera el método de máxima
verosimilitud (MLE) que consiste en la estimación de un conjunto de parámetros dentro
de la esperanza condicional de un proceso estocástico E [𝑋𝑡 | 𝑋𝑡−1 ], los valores
estimados se utilizan en un enfoque de máxima verosimilitud que acelera la
convergencia hacia un óptimo global.
De acuerdo con (Gerebrink, Lundgren, Malmström y Thorén, 2018) asumiendo una

muestra X con n variables aleatorias independientes y distribuidas idénticamente (i.i.d),
entonces el método de máxima verosimilitud maximiza la probabilidad de obtener la
misma muestra una vez más.
Se tiene X= {𝑥1 ; 𝑥2 ; . . . ; 𝑥𝑛 } denotando el tamaño de la muestra n y 𝜔 = {𝜔1 ; 𝜔2 ; . . . ; 𝜔𝑚 }

denotando m parámetros diferentes en la función de densidad de probabilidad (pdf)
𝑓(𝑥; 𝜔). Bajo el supuesto de que las variables aleatorias son (i.i.d), la distribución de
probabilidad conjunta (jpd) 𝑓𝑗𝑝𝑑 (𝑥1, 𝑥2 ; . . . , 𝑥𝑛 ; 𝜔)puede ser expresada como:
𝑓𝑗𝑝𝑑 (𝑥1, 𝑥2 ; . . . , 𝑥𝑛 ; 𝜔)= 𝑃 (𝑋1 = 𝑥1 ∩ 𝑋2 = 𝑥2 ∩. . .∩ 𝑋𝑛 = 𝑥𝑛 )
= 𝑓 (𝑥1 ; 𝜔). 𝑓(𝑥2 ; 𝜔) … 𝑓 (𝑥𝑛 ; 𝜔)
=∏𝑛𝑖=1 𝑓(𝑥𝑖 ; 𝜔) ( 12 )
El objetivo es la estimación de los parámetros 𝜔 que maximicen la función de

verosimilitud definida en la ecuación (12), para ello se realizan los siguientes pasos:
1. Simplificar el algoritmo tomando logaritmo de la función de probabilidad y así

obtener una función logarítmica de verosimilitud denotado por 𝐿(𝜔).
2. Debido a que el logaritmo es una función monótona, el valor que maximiza

𝐿(𝜔)también maximiza la función de verosimilitud, por lo tanto, se define 𝐿(𝜔)
como:
𝐿(𝜔) = log ∏𝑛𝑖=1 𝑓(𝑥𝑖 ; 𝜔) = ∑𝑛𝑖=1 log 𝑓(𝑥𝑖 ; 𝜔) ( 13 )
3. Debido a la facilidad en diferenciar una suma a un producto, se plantea el

siguiente algoritmo para diferenciar y poner en cero:
𝜕𝐿(𝜔) ( 14 )
=0
𝜕𝜔
Así cada 𝜔𝑖 en el vector gradiente 𝜕𝐿(𝜔)/𝜕𝜔 representa la media de cada estimación

de parámetros.
Método de máxima verosimilitud dentro de una distribución normal
De acuerdo con la definición general de una distribución normal:
43
1 (𝑥−𝑢)2
−
𝑓 (𝑥; 𝑢, 𝜎 2 ) = 𝑒 2𝜎 2
√2𝜋𝜎 2
La función de máxima verosimilitud para la muestra de 𝑥 = {𝑥1 , 𝑥2 , . . . , 𝑥𝑛 } se muestra

como:
𝑛 𝑛 1 ( 15 )
𝐿(𝜔) = - 𝑙𝑜𝑔(𝜎 2 ) − 𝑙𝑜𝑔(2𝜋)- ∑𝑛𝑖=1(𝑥𝑖 − 𝑢)2
2 2 2𝜎 2
Para la aplicación del principio de MLE, se diferencia la ecuación (15) en 𝑢 y 𝜎 2 :
𝑛
𝜕𝐿(𝜔) 1 ( 16 )
= 2 ∑(𝑥𝑖 − 𝑢)2
𝜕𝑢 𝜎
𝑖=1
𝑛
𝜕𝐿(𝜔) 𝑛 1 ( 17 )
2
=− 2
+ ∑(𝑥𝑖 − 𝑢)2
𝜕𝜎 2𝜎 2(𝜎 2 )2
𝑖=1
Derivando la función 𝐼𝐸 (𝑢, 𝜎 2 ) se obtiene:
𝜕 2 𝐿(𝜔) 𝑛 ( 18 )
2
=− 2
𝜕𝑢 𝜎
𝑛 ( 19 )
𝜕 2 𝐿(𝜔) 𝑛 1 𝑛 𝑛 𝑛
2 2
= 2 2
− 2 3 ∑(𝑥𝑖 − 𝑢)2 = 2 2
− 2 2=−
𝜕(𝜎 ) 2(𝜎 ) (𝜎 ) 2(𝜎 ) (𝜎 ) 2(𝜎 2 )2
𝑖=1
Debido a que ningún termino de las ecuaciones (18) y (19) es estocástico el valor
esperado no es considerado significativo.
𝑛
𝜕 2 𝐿(𝜔) 1
2
= − 2 2 ∑(𝑥𝑖 − 𝑢)
𝜕𝑢𝜕𝜎 (𝜎 )
𝑖=1
𝜕2 𝐿(𝜔)
Considerando que 𝐸 [𝑥𝑖 ] = 𝑢 se observa que 𝐸 [ ] = 0, conjuntamente con la
𝜕𝑢𝜕𝜎 2
ecuación (17) se obtiene las siguientes ecuaciones:
𝑛
0
1 1 𝜎2
𝑢̂ = ∑𝑛 𝑥 , 2
𝜎̂ = ∑𝑛 (𝑥 2
− 𝑢̂) , −𝐼𝐸 (𝑢, 𝜎 2)
=[ 𝑛 ] ( 20 )
𝑛 𝑖=1 𝑖 𝑛 𝑖=1 𝑖 0
2(𝜎 2 )2
2.2.6.2 Aplicación de MLE para Vasicek
Dada la fórmula de Vasicek:
𝑑𝑟𝑡 = 𝑘(𝜃 − 𝑟𝑡 )𝑑𝑡 + 𝜎𝑑𝑊𝑡
44
La solución continua se expresa de la siguiente forma:
𝑡
𝑟𝑡 = 𝑟0 𝑒 −𝑘𝑡 + 𝜃(1 − 𝑒 −𝑘𝑡 ) + 𝜎𝑒 −𝑘𝑡 ∫ 𝑒 −𝑘𝑠 𝑑𝑊𝑠

0
Donde: 𝐸 [𝑟𝑡 ] → 𝜃 y 𝑡 → ∞ , que es una característica de reversión a la media.
Considerando el siguiente teorema sobre la media y la varianza:
Teorema: La tasa de interés 𝑟(𝑡) basada en la tasa actual spot 𝑟(0) modelada por el
modelo de Vasicek, se distribuye normalmente con la media 𝑚(𝑡)y la varianza 𝑣𝑎𝑟(𝑡):
𝑟𝑡 ∼ 𝑁(𝑚(𝑡),𝑣𝑎𝑟(𝑡))
donde:
𝑚(𝑡)= 𝑟(0)𝑒 −𝑘𝑡 + 𝜃(1 − 𝑒 −𝑘𝑡 )
𝜎2
𝑣𝑎𝑟(𝑡)= (1 − 𝑒 −2𝑘𝑡 )
2𝑘
Usando el teorema junto con el pdf para la distribución normal, se puede derivar una
expresión para 𝐿(𝜔). Asumiendo que se tiene una serie de tiempo 𝑟 = {𝑟𝑡0 , 𝑟𝑡1 , . . . , 𝑟𝑡𝑛 }
que consta de 𝑛 + 1 puntos diferentes con partición de tiempo equidistante 𝑑𝑡 = 𝑡𝑖 -𝑡𝑖−1
en un intervalo de tiempo dado 𝑡0, 𝑡1 ; . . . , 𝑡𝑛 , el teorema puede ser deducido en términos
discretos donde el valor esperado de cada 𝑟𝑡𝑖 está dado por la siguiente ecuación
(Gerebrink, Lundgren, Malmström y Thorén, 2018):
𝐸[𝑟𝑡𝑖 ] = 𝑟𝑡𝑖−1 𝑒 −𝑘𝑑𝑡 + 𝜃(1 − 𝑒 −𝑘𝑑𝑡 )
Donde la varianza está dada por:
𝜎2
𝑉𝑎𝑟[𝑟𝑡𝑖 ]= (1 − 𝑒 −2𝑘𝑑𝑡 )
2𝑘
La función logarítmica de verosimilitud 𝐿(𝜔) la cual es una extensión de la función

logarítmica de verosimilitud dentro de la distribución normal en la ecuación (15),
siguiendo el mismo teorema está dado por:
𝑛 𝜎2 𝑛
𝐿(𝜔) = 𝐿(𝑘, 𝜃, 𝜎 2 ) = - 𝑙𝑜𝑔( (1 − 𝑒 −2𝑘𝑑𝑡 )) − 𝑙𝑜𝑔(2𝜋)-
2 2𝑘 2
𝛼
∑𝑛𝑖=1(𝑟𝑡𝑖 − 𝑟𝑡𝑖−1 𝑒 −𝑘𝑑𝑡 − 𝜃(1 − 𝑒 −𝑘𝑑𝑡 ))2 ( 21 )
𝜎 2 (1−𝑒 −2𝑘𝑑𝑡 )
Usando la ecuación (21) se puede derivar la estimación de cada parámetro presentado

en el siguiente teorema (Gerebrink, Lundgren, Malmström y Thorén, 2018):
Teorema: Si 𝑟𝑡0 es la primera tasa de interés dada en la serie de tiempo y 𝑟𝑡𝑛 es la tasa
de interés corriente, los parámetros 𝑘, 𝜃 𝑦 𝜎 2 en el modelo de Vasicek están dados por
los estimadores de máxima verosimilitud:
45
1 𝑛 ∑𝑛𝑖=1 𝑟𝑡𝑖 𝑟𝑡𝑖−1 − ∑𝑛𝑖=1 𝑟𝑡𝑖 ∑𝑛𝑖=1 𝑟𝑡𝑖−1 ( 22 )
𝑘̂ = − log ( 2 )
𝑑𝑡 𝑛 ∑𝑛𝑖=1 𝑟𝑡2 − (∑𝑛𝑖=1 𝑟𝑡 )
𝑖−1 𝑖−1
𝑛 𝑛 ( 23 )
1 ̂ 𝑑𝑡
𝜃̂ = (∑ 𝑟𝑡𝑖 − 𝑒 𝑘
∑ 𝑟𝑡𝑖−1 ))
𝑛(1 − 𝑒 −𝑘̂𝑑𝑡 ) 𝑖=1 𝑖=1
𝑛 ( 24 )
2𝑘̂ ̂ ̂ 2
2
𝜎̂ = ∑(𝑟𝑡𝑖 − 𝑟𝑡𝑖−1 𝑒 −𝑘𝑑𝑡 − 𝜃̂(1 − 𝑒 −𝑘𝑑𝑡 ))
𝑛(1 − 𝑒 −2𝑘̂𝑑𝑡 ) 𝑖=1
Donde:
𝑑𝑡 = 𝑡𝑖 − 𝑡𝑖−1 ∀ 𝑖 = 1, . . , 𝑛
2.2.6.3 Aplicación de MLE al modelo CIR
Para un proceso CIR y tiempos 𝑠, 𝑡 con 𝑠 ≤ 𝑡 la media y la varianza de 𝑟𝑡 dado por 𝑟𝑠 se

muestran a continuación (Fergusson y Platen,2015):
𝑚𝑠 (𝑡) = 𝜃𝑘𝐵(𝑠, 𝑡) + 𝑟𝑠 (1 − 𝑘𝐵(𝑠, 𝑡)) ( 25 )
1 ( 26 )
𝑣𝑠 (𝑡) = 𝜎 2 ( 𝑘𝐵(𝑠, 𝑡)2 𝜃 + (𝐵(𝑠, 𝑡) − 𝑘𝐵(𝑠, 𝑡)2 )𝑟𝑠 )
2
donde:
𝐵(𝑠, 𝑡) = (1 − 𝑒𝑥𝑝(−𝑘(𝑡 − 𝑠)))/𝑘
Aproximando la densidad de transición del proceso CIR desde el tiempo 𝑠 al tiempo 𝑡

por una distribución logarítmica normal que coincide con la media y la varianza. La
aproximación de la distribución lognormal tiene los parámetros 𝑢𝑠𝐿𝑁 (𝑡) , 𝜎𝑠𝐿𝑁 (𝑡)dado por:
1 ( 27 )
𝑢𝑠𝐿𝑁 (𝑡) = 𝑙𝑜𝑔 𝑚𝑠 (𝑡) − (𝜎𝑠𝐿𝑁 (𝑡))2
2
𝑣𝑠 (𝑡) ( 28 )
(𝜎𝑠𝐿𝑁 (𝑡))2 = log (1 + )
𝑚𝑠 (𝑡)2
donde:
𝑚𝑡𝑖−1 (𝑡𝑖 ) = 𝜃𝑘𝐵(𝑡𝑖−1 , 𝑡𝑖 ) + 𝑟𝑡𝑖−1 (1 − 𝑘𝐵(𝑡𝑖−1 , 𝑡𝑖 ))
1
𝑣𝑡𝑖−1 (𝑡𝑖 ) = 𝜎 2 ( 𝑘𝐵(𝑡𝑖−1 , 𝑡𝑖 )2 𝜃 + (𝐵(𝑡𝑖−1 , 𝑡𝑖 ) − 𝑘𝐵(𝑡𝑖−1 , 𝑡𝑖 )2 )𝑟𝑡𝑖−1 )
2
𝐵(𝑠, 𝑡) = (1 − 𝑒𝑥𝑝(−𝑘(𝑡 − 𝑠)))/𝑘
Por lo tanto, la aproximación a la función logarítmica de verosimilitud en el conjunto de

tasas cortas observadas 𝑟𝑡𝑖 , para 𝑖 = 0,2, . . . , 𝑛 es:
46
1 (𝑙𝑜𝑔 𝑟𝑡𝑖 −𝑢𝑡𝐿𝑁 (𝑡𝑖 ))2 ( 29 )
𝑙(𝜃, 𝑘, 𝜎) =- ∑𝑛𝑖=1(𝑙𝑜𝑔(2𝜋𝑣𝑡𝑖−1 (𝑡𝑖 )) + 𝑙𝑜𝑔 𝑟𝑡𝑖 + 𝑖−1
)
2 (𝜎𝑡𝐿𝑁 (𝑡𝑖 ))2
𝑖−1
2.2.6.4 Aplicación de MLE al modelo de Heston

La estimación de máxima verosimilitud implica optimizar las estimaciones de los
parámetros los cuales en el modelo se observan: 𝑘, 𝜃, 𝜎 y 𝜌. (Wang,X.; Zhao,Y.y
He,X., 2017):
De acuerdo con el Lemma de Ito
1 1
𝑑 √𝑣𝑡 = 𝑑𝑣𝑡 − 𝑑𝑣𝑡 𝑑𝑣𝑡 ( 30 )
2√𝑣𝑡 8√𝑣 3 𝑡
Obteniendo la ecuación (23) del desarrollo del modelo de Heston:
𝑑𝑣𝑡 = 𝑘(𝜃 − 𝑣𝑡 )𝑑𝑡 + 𝜎√𝑣𝑡 𝑑𝑊𝑣 (𝑡) ( 31 )
Sustituyendo la ecuación (23) obtenida del desarrollo del modelo de Heston dentro de
la ecuación (22) se obtiene:
1 1 1
𝑑 √𝑣𝑡 = [𝑘𝜃 − 𝑘𝑣𝑡 − 𝜎 2 ] 𝑑𝑡 + 𝜎𝑑𝑊𝑣 (𝑡) ( 32 )
2√𝑣𝑡 4 2
Donde: √𝑣𝑡−𝛿 y √𝑣𝑡 estan sujetos a una distribución gausiana. 𝑣𝑡 puede ser discretizado
𝑇
como {𝑣0 , 𝑣𝛿 , … , 𝑣𝑛𝛿 }, donde 𝑛 = (donde 𝛿 es un numero positivo arbitrario pequeño),
𝛿
omitiendo 𝛿, la secuencia de volatilidad puede ser denotada como: {𝑣𝑘 }𝑛𝑘=0 . La ecuación
(32) puede describirse de la siguiente forma:
1 1 1
√𝑣𝑘 − √𝑣𝑘−1 = [𝑘𝜃 − 𝑘𝑣𝑘−1 − 𝜎 2 ] 𝛿 + 𝜎∆𝑊𝑣𝑘
2√𝑣𝑘−1 4 2
Donde:
∆𝑊𝑣𝑘 = 𝑊𝑣𝑘 − 𝑊𝑣𝑘−1
1 1 1
√𝑣𝑘 = √𝑣𝑘−1 + [𝑘𝜃 − 𝑘𝑣𝑘−1 − 𝜎 2 ] 𝛿 + 𝜎∆𝑊𝑣𝑘 ( 33 )
2√𝑣𝑘−1 4 2
𝑛 𝑛
2 𝑃𝛿 1 1 1 𝑣𝑘 ( 34 )
𝑘̂ = (1 + ∑ − ∑√ )
𝛿 2 𝑛 𝑣𝑘−1 𝑛 𝑣𝑘−1
𝑘=1 𝑘=1
47
𝑛 2
2
41 𝛿 ( 35 )
𝜎̂ = √ ∑ [√𝑣𝑘 − √𝑣𝑘−1 − (𝑃 − 𝑘𝑣𝑘−1 )]
𝛿𝑛 2√𝑣𝑘−1
𝑘=1
1 ( 36 )
𝑃 + 𝜎2
𝜃̂ = 4
𝑘
Donde:
1 𝑛 1 𝑣𝑘 𝑛
∑ 𝑣 𝑣 − ∑𝑛 ∑ 𝑣
𝑛 𝑘=1 √ 𝑘−1 𝑘 𝑛2 𝑘=1 √𝑣𝑘−1 𝑘=1 𝑘−1 ( 37 )
𝑃̂ =
𝜕 𝜕 1 𝑛 1
− ∑ ∑𝑛 𝑣
2 2 𝑛2 𝑘=1 𝑣𝑘−1 𝑘=1 𝑘−1
Condicionado a que √𝑣𝑘 , √𝑣𝑘−1 está sujeto a la siguiente distribución gausiana:
𝜎2
√𝑣𝑘 ~𝑁(𝑚𝑘−1 , 𝛿)
4
1 1
𝑚𝑘−1 = √𝑣𝑘−1 + [𝑘𝜃 − 𝑘𝑣𝑘−1 − 𝜎 2 ] 𝛿
2√𝑣𝑘−1 4
Considerando el coeficiente de correlación 𝜌:
𝑑𝑊1 (𝑡)𝑑𝑊2 (𝑡) = 𝜌𝑑𝑡
Donde:
1
𝑑ln (𝑆𝑡 ) − (𝜇 − 𝑣𝑡 ) 𝑑𝑡
𝑑𝑊1 (𝑡) = 2
√𝑣𝑘
𝑑𝑣𝑡 − 𝑘 (𝜃 − 𝑣𝑡 )𝑑𝑡
𝑑𝑊2 (𝑡) =
𝜎√𝑣𝑡
La forma discreta de las ecuaciones sería:
1
ln (𝑆𝑘 ) − ln (𝑆𝑘−1 ) − (𝜇 − 𝑣𝑘−1 )𝛿
∆𝑊1𝑘 = 2
√𝑣𝑘−1
𝑣𝑘 − 𝑣𝑘−1 − 𝑘 (𝜃 − 𝑣𝑘−1 )𝛿
∆𝑊2𝑘 =
𝜎√𝑣𝑘−1
Donde:
∆𝑊𝑖𝑘 = 𝑊𝑖𝑘 − 𝑊𝑖𝑘−1 , 𝑖 = 1,2. Entonces la estimación del momento de 𝜌 puede ser dado
como:
48
𝑛
1
𝜌̂ = ∑ ∆𝑊1𝑘 ∆𝑊2𝑘 ( 38 )
𝑛𝛿
𝑘=1
2.2.7 Valuación de la opción asiática con subyacente promedio
En este trabajo el modelo a utilizar para la estimación de los parámetros de la tasa de

interés será el modelo CIR ya que posee una ventaja sobre los modelos Ho-Lee, Hull-
White y Vasicek el cual los parámetros de las tasas de interés nunca pueden ser
negativas.
Sea el precio del subyacente 𝑆𝑡 conducido por un movimiento browniano geométrico

con tasa de interés estocástica 𝑟𝑡 conducida por un proceso de reversión a la media se
muestra la siguiente ecuación (Ortiz y Martinez, 2016):
𝑑𝑆𝑡
= 𝑟𝑡 𝑑𝑡 + 𝜎𝑑𝑊𝑆,𝑡
𝑆𝑡
𝑑𝑟𝑡 = 𝑘(𝜃 − 𝑟𝑡 )𝑑𝑡 + 𝜎𝑟 √𝑟𝑡 𝑑𝑊𝑟,𝑡 ( 39 )
Donde 𝑊𝑟,𝑡 es un proceso de Wiener correlacionado con 𝑊𝑆,𝑡 siendo 𝐶𝑜𝑣(𝑑𝑊𝑟,𝑡 , 𝑑𝑊𝑆,𝑡 ) =
𝜌𝑑𝑡
𝜃, 𝑘 𝑦 𝜎𝑟 son la tasa de largo plazo, velocidad de reversión a la tasa de largo plazo y
volatilidad de la varianza de la tasa de interés respectivamente.
Para la simulación de ambos procesos se generan las siguientes trayectorias:
𝑑𝑊𝑆,𝑡
̃ =(
𝑑𝑊 ) ~𝑁(0, ∑)
𝑑𝑊𝑟,𝑡
con:
∆𝑡 𝜌𝑟,𝑆 ∆𝑡
∑= ( )
𝜌𝑟,𝑆 ∆𝑡 ∆𝑡
Para ello calculamos 𝐿 debido a que ∑ = 𝐿𝐿𝑇 y simular 𝑑𝑍 ∼ 𝑁(0, 𝐼2 ) para obtener 𝑑𝑊 ̃ =
𝐿𝑑𝑍, se elige un número para la partición del plazo al vencimiento de la opción, si N=100
y mediante el remuestreo cuadrático se genera 𝑑𝑍, que involucra 𝑑𝑊 ̃.
Sean 𝑢𝑍 y ∑𝑧 la media teórica y la matriz de covarianza de 𝑑𝑍 respectivamente:
0
𝑢𝑍 = ( )
0
1 0
∑𝑧 = ( )
0 1
Con las ecuaciones descritas se generan las trayectorias del sistema de ecuación
diferencial estocástica planteado en (39).
Precio de una opción de compra con subyacente promedio:
1 𝑇 ( 40 )
𝐶(𝑆𝑡 ) = 𝑚𝑎𝑥( ∫ 𝑆𝑡 𝑑𝑡 − 𝐾 , 0)
𝑇 𝑜
49
Precio de opción de venta con subyacente promedio:
1 𝑇 ( 41 )
𝑃(𝑆𝑡 ) = 𝑚𝑎𝑥(𝐾 − ∫ 𝑆 𝑑𝑡, 0)
𝑇 𝑜 𝑡
Si el subyacente es conducido por el sistema dado en (39), el algoritmo para determinar

los precios de las opciones de compra y venta es realizado mediante los siguientes
pasos (Ortiz y Martinez, 2016):
1. Generando 𝑑𝑊𝑆,𝑡 y 𝑑𝑊𝑟,𝑡 :

(𝑘) (𝑘)
𝑑𝑊𝑆,𝑡 = 𝑍𝑆,𝑡 √∆𝑡
(𝑘) (𝑘) (𝑘)

𝑑𝑊𝑟,𝑡 = 𝜌𝑍𝑟,𝑡 √∆𝑡 + √1 − 𝜌2 𝑍𝑟,𝑡 √∆𝑡
2. Se procede a discretizar el sistema de ecuaciones estocásticas:

(𝑘) (𝑘) (𝑘) (𝑘) (𝑘)
𝑟𝑖+1 = 𝑟𝑖 + 𝑘 (𝜃 − 𝑟𝑖 ) ∆𝑡 + 𝜎𝑟 𝑟𝑖 𝑑𝑊𝑟,𝑡
(𝑘) (𝑘) (𝑘) (𝑘)

𝑆𝑖+1 = 𝑆𝑖 (1 + 𝑟(𝑡𝑖 )∆𝑡 + 𝜎𝑖 𝑑𝑊𝑆,𝑡 )
𝑖 = 1, … , 𝑁 − 1
3. Se define la media aritmética de las trayectorias generadas:

𝑁
1 (𝑘)
𝑆̅ 𝑘 = ∑ 𝑆𝑖
𝑁
𝑖=1
4. Se calcula los precios de la opción:
𝑇 𝑀
1 ( 42 )
𝐶 = 𝑒𝑥𝑝(− ∫ 𝑟𝑡 𝑑𝑡) ∑ 𝑚𝑎𝑥(𝑆̅ 𝑘 − 𝐾, 0)
𝑜 𝑀
𝑘=1
𝑇 𝑀
1 ( 43 )
𝑃 = 𝑒𝑥𝑝(− ∫ 𝑟𝑡 𝑑𝑡) ∑ 𝑚𝑎𝑥(𝐾 − 𝑆̅ 𝑘 , 0)
𝑜 𝑀
𝑘=1
Donde
𝑀 : número de trayectorias simuladas y 𝑁 : número de precios generados.
III. METODOLOGÍA DE LA INVESTIGACIÓN

3.1 Planteamiento de Hipótesis
Hipótesis general
Existe un impacto del precio internacional del petróleo sobre la inflación no subyacente
y equilibrio fiscal.
Es viable la aplicación de políticas de Macrohedging en el Perú.
Hipótesis específicas
50
Primera hipótesis específica:
Existe un impacto significativo del precio internacional del petróleo sobre la inflación no
subyacente.
Segunda hipótesis específica:
Existe un impacto significativo del precio internacional del petróleo sobre el equilibrio
fiscal.
Tercera hipótesis específica:
Existe impacto positivo en el presupuesto del Gobierno con la implementación de una

cobertura sobre el precio del petróleo.
3.2 Diseño y procedimiento

Para la contrastación de hipótesis se realizarán estimaciones y cálculos utilizando el
paquete estadístico Eviews y Python.
Hipótesis General 1: Existe un impacto del precio internacional del petróleo sobre
la inflación no subyacente y el equilibrio fiscal.
En este capítulo se analizará la metodología a emplear para el análisis de las variables

de estudio revisando el efecto de la fluctuación del precio del petróleo sobre las
principales variables macroeconómicas de estudio. Para la contrastación de las
hipótesis se trabajará mediante un modelo econométrico.
Se examinará la relación entre el precio internacional del petróleo, la inflación no

subyacente y el equilibrio fiscal empleando la metodología VAR.
• Primero se analizarán las características no estacionarias de cada una de las

variables, para ello se utilizará la prueba de raíz unitaria de Dickey Fuller
Aumentado (Dickey and Fuller, 1981, ADF).
51
• Segundo, se realizará un diagnóstico de los residuos del VAR para evaluar los
supuestos de normalidad, heterocedasticidad y autocorrelación.
• Finalmente, se evaluará los efectos directos e indirectos entre las variables de

estudio a través de la función impulso - respuesta y descomposición de varianza.
Tabla 3 : Procedimiento Metodología VAR
Elaboración: Propia
Hipótesis General 2: Es viable la aplicación de políticas de Macrohedging
Para la contrastación de esta hipótesis se propone obtener el precio de una opción

asiática con subyacente promedio mediante el uso del método de Montecarlo.
Asimismo, se asume que la tasa de interés es estocástica y conducida por un proceso
de reversión a la media tipo CIR cuyos parámetros serán calibrados por máxima log-
verosimilitud. Se utilizará la herramienta Python para encontrar los parámetros en cada
paso establecido en la metodología.
Para el cálculo del precio de la opción se utilizará los siguientes pasos:
1. Para modelar el comportamiento del precio del crudo (WTI) se utilizará el

modelo de Heston, debido a las características del comportamiento del precio
del petróleo optamos por estimar el precio de este activo con un modelo de
52
volatilidad estocástica, para ello se utilizará un Movimiento Browniano
Geométrico y el modelo CIR para estimar la volatilidad del precio del petróleo.
Para ello se utilizará los siguientes pasos:
a) Se planteará la ecuación del modelo de Heston para estimar los parámetros:

𝑘, 𝜃, 𝜎 y 𝜌 mediante el método de máxima verosimilitud, para ello se tomará
una muestra de los precios del petróleo WTI desde 29-dic-2016 al 29-dic-2017.
Para la estimación del parámetro 𝜇 se considera la media de los
rendimientos del precio del petróleo en el periodo indicado.
𝑑𝑆𝑡 = 𝜇𝑆𝑡 𝑑𝑡 + √𝑣𝑡 𝑆𝑡 𝑑𝑊1 (𝑡)

𝑑𝑣𝑡 = 𝑘(𝜃 − 𝑣𝑡 )𝑑𝑡 + 𝜎√𝑣𝑡 𝑑𝑊2 (𝑡)
𝑑𝑊1 (𝑡)𝑑𝑊2 (𝑡) = 𝜌𝑑𝑡, 𝑡 𝜖 [0, 𝑇]
b) Una vez determinados los parámetros se procede a simular 100,000 trayectorias

del precio del petróleo utilizando el método de Montecarlo, luego para obtener el
precio promedio se calcula la media de cada trayectoria.
2. Para la estimación de la tasa se utilizará el modelo de CIR (Cox, Ingersoll y Ross)

ya que posee una ventaja sobre los modelos Ho-Lee, Hull-White y Vasicek (tasas
de interés no negativas).
𝑑𝑟𝑡 = 𝑘(𝜃 − 𝑟𝑡 )𝑑𝑡 + 𝜎√𝑟𝑡 𝑑𝑊𝑡
a) Para la estimación de los parámetros 𝑘, 𝜃, 𝜎 se utilizará el método de máxima

verosimilitud, considerando los rendimientos del bono del gobierno peruano a 10
años en dólares desde 29-dic-2016 al 29-dic-2017.
b) Una vez determinados los parámetros se procede a simular 100,000 trayectorias

de la tasa de interés libre de riesgo utilizando el método de Montecarlo, este dato
será utilizado para descontar los payoff de la opción asiática.
3. Para obtener el precio de la opción se formula la función de pago, que se obtiene

a partir de las trayectorias del subyacente calculadas en el paso 1, para luego
traerlo a valor presente con la tasa libre de riesgo calculada en el paso 2,
teniendo como resultado final el precio de una opción asiática:
𝑇 𝑀
1
𝐶 = 𝑒𝑥𝑝(− ∫ 𝑟𝑡 𝑑𝑡) ∑ 𝑚𝑎𝑥(𝑆̅ 𝑘 − 𝐾, 0)
𝑜 𝑀
𝑘=1
4. Una vez obtenido el precio de la opción, se aplicará sensibilizaciones sobre la

variable Strike (K) para demostrar que tan prudente es entrar a una cobertura
utilizando opciones asiáticas comparada con el actual mecanismo estatal de
estabilización de precios
IV RESULTADOS Y DIAGNÓSTICO
53
4.1 Contrastación de hipótesis general 1
4.1.1 Análisis descriptivo de datos y aplicación de modelos
Para el presente estudio se utilizará información de las principales variables

macroeconómicas: precio del petróleo, índice de precios al consumidor y déficit fiscal.
La extracción de información se realizará de manera trimestral y comprenderá el periodo
desde 2000-Q1 al 2019-Q4 para examinar los efectos macroeconómicos del cambio en
el precio del petróleo de la economía peruana.
Las variables utilizadas en el presente trabajo son:
Precio Internacional de petróleo: Medido como % de variación del Precio del petróleo
crudo WTI, la información fue obtenida del informe de British Petroleum.
Inflación no subyacente: Medido como % del índice de precios al consumidor, la

información fue extraída del Banco Central de Reserva del Perú.
Equilibrio Fiscal: Medido como % del resultado primario/PBI (no incluye gastos
financieros), la información fue extraída del Banco Central de Reserva del Perú.
Resultados Empíricos
Para el desarrollo de la metodología planteada se aplicará el programa econométrico
Eviews 10 definiendo las siguientes variables:
• Precio del petróleo (Oil), inflación (Inflación) y equilibrio fiscal (EqFiscal)
En la gráfica 17 muestra las series de tiempo de las variables de estudio:
Gráfica 17: Precio del petróleo, inflación y equilibrio fiscal
Fuente: Cálculo utilizando el paquete estadístico Eviews
De una inspección gráfica se observa que las series equilibrio fiscal e inflación presentan
un comportamiento estacional por lo que debe de realizarse un procedimiento de
desestacionalización.
Análisis de Estacionalidad
Existen varios métodos para la descomposición de una serie de tiempo, para estimar el
componente estacional se utilizará Tramo Seats y Census X12 que se encuentran en el
paquete estadístico Eviews.
54
De acuerdo con Kikut y Ocampo (2005, Banco Central de Reserva de Costa Rica)
“Tramo/Seats realiza la estimación ARIMA y la descomposición en componentes
aditivos o multiplicativos; por lo que Tramo hace la estimación, mientras que Seats hace
la descomposición”. Por otro lado “Census X12-ARIMA es un método basado en
promedios móviles, los cuales se sustentan en el dominio del tiempo o en el de
frecuencias”. Con el método de Census X12-ARIMA se “logra el ajuste estacional con el
desarrollo de un sistema de los factores que explican la variación estacional en una
serie”.
Se utilizará la prueba estadística F para la identificación de la estacionalidad.
Tabla 4: Prueba estadística F
F(a, p-1, n-p): Correspondiente a la tabla de distribución F con a como nivel de significación
de la prueba, p como el número de parámetros (12 meses o años) y n como el número
de observaciones consideradas en la serie en estudio.
A través de la prueba Census X-12 (reajuste en el paquete estadístico Eviews se

obtienen los siguientes resultados en el anexo A:
Tabla 5: Prueba de estacionalidad
Variable F-value Estacionalidad*

Equilibrio Fiscal 119.878 Se evidencia
Inflación 12.03 Se evidencia
Oil 5.013 No se evidencia
* Al 0.1% de nivel
De los resultados de la prueba se concluye que las series equilibrio fiscal e inflación
poseen estacionalidad. Por lo tanto, se procede a crear las series EQ_FISCAL_SA e
INFLACION_SA las cuales se retira el efecto estacional, la gráfica 18 muestra la gráfica
de las series:
Gráfica 18: Comportamiento de las variables sin efecto de estacionalidad
55
Características de estacionariedad de las variables
Siguiendo con la metodología de análisis de las variables se procederá a comprobar las

propiedades de estacionariedad de los datos a través de las pruebas de Dickey Fuller
Uno de los supuestos básicos del análisis de regresión es que el término de error está
normalmente distribuido con media cero y varianza constante, según la siguiente
ecuación:
𝜇𝑖 ~𝑁(0, 𝜎 2 )
Este supuesto es violado cuando las variables examinadas no tienden a un valor

constante ni oscilan en torno a una tendencia lineal. En este caso se dice que las
variables no son estacionarias.
Prueba de Dickey Fuller
a) Se determinará el orden de integración de las series, a través de la prueba de Dickey

- Fuller Aumentada (DFA), el estadístico de Dickey Fuller es la prueba estándar de
estacionariedad.
Planteamiento de Hipótesis:
Ho: La serie es no estacionaria. Tiene Raíz unitaria
H1: La serie es estacionaria
De una inspección gráfica sólo la variable EQFISCAL_SA posee intercepto y tendencia

mientras que las otras variables de análisis no poseen tendencia ni intercepto en el
periodo analizado, en la tabla 6 se muestra los resultados de la prueba de raíz unitaria:
Tabla 6: Prueba de raíces unitarias para las variables de estudio
56
Fuente: Paquete estadístico Eviews
Al aplicar la prueba en niveles se observa que la probabilidad asociada al estadístico

tau (Prob) es mayor que el nivel de 0.05 en la variable EQFISCAL_SA, lo cual no se
rechaza la Ho. Mientras que con 1eras diferencias las probabilidades son significativas
(<0.05) por lo tanto se rechaza la Ho. Por lo tanto, se concluye que las series en primeras
diferencias no presentan raíz unitaria (series estacionarias).
Por tanto, se estimará el modelo VAR con las variables estacionarias en primeras
diferencias.
Gráfica 19: Comportamiento de las variables en primeras diferencias
Cálculo del Vector Autorregresivo (VAR)
En la presente investigación se utilizará el método VAR para estudiar los efectos del
cambio de petróleo sobre las variables macroeconómicas del Perú. El método de
vectores autorregresivos (VAR) fue desarrollado por Sims (1980) y utiliza el modelo de
prueba de causalidad de Granger (Granger,1969) como base. El método VAR nos
ayudará a analizar la interrelación de las series, utilizando la interrelación de valores
pasados de cada variable y mostrando una relación dinámica entre ellas. Asimismo, el
modelo es sensible a la selección de los rezagos de las variables, estos rezagos deben
seleccionarse para capturar la relación dinámica entre estas variables.
Rezago Óptimo del VAR
Se procede a determinar el número potencial de retardos que se incluirán en el modelo,

este será realizado mediante la prueba de longitud de retardo, el número de retardos
depende de la frecuencia de los datos, se seleccionarán de P=3 a P=4 retardos para
series anuales, para series trimestrales se recomienda colocar 8 rezagos. Se utilizarán
dos criterios: Criterio de información Akaike (AIC) y el Criterio de Schwarz (SC) para
determinar el número de rezagos, la decisión final está dada sobre el criterio de
información Akaike. La tabla 7 presenta los resultados de la estimación del número de
rezagos óptimos:
Tabla 7 : Prueba de rezagos óptimos para el modelo VAR
57
De la prueba de rezagos se observa que los asteriscos indican el orden del retardo,
mostrando que el número óptimo de rezagos sería 6 según los criterios (LR, y AIC).
Determinamos las condiciones de estabilidad del sistema con la prueba de estructura

de rezagos. Uno de los aspectos más interesantes en la salida de un VAR es poder
examinar la raíz inversa del polinomio autorregresivo del VAR, esto actúa como un
chequeo de la estabilidad del modelo estimado. Estas raíces se pueden representar en
una gráfica 20 como puntos en el círculo unitario:
Gráfica 20: Raíces inversas del polinomio característico de AR
La gráfica determina que todas las raíces inversas están en el círculo unitario, por lo que
se identifica que el modelo VAR proporciona requisitos de estabilidad.
Diagnóstico de los residuos del VAR
Se debe evaluar si el modelo es adecuado, tomando en cuenta que los residuos deben
ser ruido blanco. Por lo que se realizarán las siguientes pruebas:
Prueba de Normalidad
58
El estadístico Jarque Bera es una prueba asintótica de normalidad para determinar si
una muestra o cualquier grupo de datos se ajusta a una distribución normal, en nuestro
caso, los residuos del modelo VAR. La hipótesis nula (Ho) es que existe normalidad en
el modelo, la hipótesis alternativa indica lo contrario. Para aceptar la hipótesis nula, es
necesario que la probabilidad sea mayor a 0.05 (5%).
Tabla 8 : Prueba de Normalidad
Prueba de Autocorrelación
Verifica la existencia de correlación en los residuos hasta el orden del número de

rezagos del modelo VAR estimado. Se utilizará la prueba del Multiplicador de Lagrange
(LM). La hipótesis nula (Ho) es que existe ausencia de autocorrelación en el modelo, la
hipótesis alternativa indica lo contrario. Para aceptar la hipótesis nula, es necesario que
la probabilidad sea mayor a 0.05 (5%).
Tabla 9 : Prueba de Autocorrelación
Prueba de Heterocedasticidad
Si los residuos del modelo VAR estimado tienen la misma varianza, entonces los errores
del modelo son homocedásticos, en el caso contrario son heterocedásticos. Para ello
se aplicará la prueba de White para términos no cruzados, la hipótesis nula (Ho) es que
existe residuos homocedásticos en el modelo, la hipótesis alternativa indica lo contrario.
Para aceptar la hipótesis nula, es necesario que la probabilidad sea mayor a 0.05 (5%).
Tabla 10 : Prueba de Heterocedasticidad
En la tabla 11 se muestran los resultados de las pruebas realizadas a los residuos del
modelo VAR. Se encontró que los residuos no muestran correlación entre ellos, tienen
la misma varianza, sin embargo, los residuos no presentan una distribución normal
estándar debido a que la probabilidad conjunta del estadístico de Jarque - Bera es 0.004
< a 0.05. Los resultados se detallan en el anexo B.
Tabla 11 : Resultado del análisis de los residuos del modelo VAR
59
Para poder solucionar el problema es necesario revisar las pruebas individuales

ecuación por ecuación de la prueba de normalidad realizada. En este modelo
encontramos que tenemos problemas en 1 ecuación. Este problema se puede corregir
mediante la incorporación de una variable dummy.
Corrección de la violación de los supuestos del modelo
Para corregir la normalidad se requerirá ver el comportamiento de los errores de cada

ecuación a través de la gráfica 21 de los residuos del VAR:
Gráfica 21:Residuos del modelo VAR
Se observa que existen impulsos en los periodos: 2008Q3, 2008Q4, 2009Q1, 2009Q3
y 2015Q3. Se procede a la creación de una variable dummy colocando el valor 1 en
aquellos años que se observa el impulso. La variable dummy es explicada de la
siguiente manera:
- Crisis 2008: Efecto de la crisis financiera en EE. UU, que generó un incremento
en el precio del petróleo debido al exceso de demanda.
60
- Crisis 2015: Introduce la crisis económica ocasionada por la desaceleración de
China y la subida del tipo de interés por parte de EE. UU.
Corriendo el modelo VAR con la incorporación de la variable dummy como exógena, se

procede a realizar las pruebas de los residuos que se muestran en la tabla 12:
Tabla 12 : Resultado del análisis de los residuos del modelo VAR corregido
Se observa que la normalidad de las ecuaciones mejoró, por lo que pasa la prueba de
normalidad debido a que la probabilidad es mayor a 0.05. Para efectos de completar las
pruebas de diagnóstico se realizaron las pruebas restantes, la gráfica 22 muestra los
residuos del VAR final. Las pruebas de autocorrelación y heterocedasticidad nos
muestran la aceptación de la hipótesis nula, ahora se tiene un VAR que pasa todas las
pruebas de diagnóstico. Los resultados se detallan en el anexo C.
Gráfica 22: Residuos del modelo VAR corregido
4.1.2 Resultados y discusión

Análisis función impulso-respuesta
61
La función impulso respuesta es un método utilizado para determinar de rastrear la
reacción de una variable durante un período específico después de un choque de
desviación estándar en otra variable o en sí misma.
En la gráfica 23 se presentan las respuestas al impulso para las variables DOIL,

DEQFISCAL_SA y DINFLACION_SA para un periodo de previsión de 10 años.
La respuesta de la variable DEQFISCAL_SA es negativa en el corto plazo y aumenta
temporalmente a partir del tercer año permaneciendo estable hasta el 5to año en la
región positiva, a partir del 6to año se tiene impactos asimétricos. Se concluye que el
efecto de la variación del precio del petróleo sobre la variable es tanto positiva como
negativa en el periodo de observación.
La respuesta de la variable DINFLACION_SA ante innovaciones en la variación del

precio del petróleo es oscilatorio en diferentes tramos de observación, por lo que
reacciona de manera cíclica ante dichos cambios.
Gráfica 23: Funciones impulso respuesta periodo 10 años
Con el fin de corroborar las oscilaciones en el corto plazo, se observa la gráfica 24 de

los efectos acumulados:
Gráfica 24: Funciones impulso respuesta acumulada periodo 10 años
62
De acuerdo con los resultados la variable DEQFISCAL_SA y DINFLACION_SA

responden positivamente ante cambios en la variación del precio del petróleo, pero de
manera oscilatoria o cíclica. Para el caso de estas variables los shocks de variación del
precio del petróleo no tienen impacto significativo en el largo plazo.
Resultados de la descomposición de varianzas
El análisis de descomposición de varianza se utiliza para evaluar los efectos directos e

indirectos entre las variables de estudio, calcula el porcentaje de las fuentes de los
choques aplicados en una de las variables.
En el anexo D muestra el análisis de descomposición de la variación prevista para las

variables de estudio en un horizonte temporal de 10 años. Examinando los resultados
de la descomposición de la varianza del equilibrio fiscal, podemos ver que su poder auto
explicativo es alto durante los primeros 4 años en el cual el 93.8% viene explicado por
su propia dinámica. Mientras que el poder explicativo del precio del petróleo sobre esta
variable es del 2% al 6% para los primeros 6 años, después del 7mo año se eleva hasta
el 15.8% siendo esta variable la de mayor poder explicativo sobre el equilibrio fiscal.
Para la variable inflación, podemos ver que su poder auto explicativo es alto durante los
primeros 5 años de la cual el 92.1% viene explicado por su propia dinámica. Mientras
que el poder explicativo de los precios del petróleo para la inflación es del 1.9% al 3.7%
para los primeros 5 años y se eleva al 6.5%. Asimismo, se observa que la variable de
equilibrio fiscal tiene mayor poder explicativo sobre la inflación.
En la gráfica 25 se observa la representación gráfica de la descomposición de la

varianza del precio del petróleo sobre las variables de equilibrio fiscal e inflación.
Gráfica 25: Descomposición de varianza
63
Al revisar la variable DEQFISCAL_SA, se observa que en el corto plazo (año 3) los
choques de DEQFISCAL_SA, DINFLACION_SA y DOIL contribuyen en 92%, 4% y 4%
de variación a la fluctuación respectivamente. En el largo plazo los shocks de
DEQFISCAL_SA, DINFLACION_SA y DOIL contribuyen en 73%, 11% y 16%.
Al revisar la variable DINFLACION_SA, se observa que en el corto plazo (año 3) los

choques de DEQFISCAL_SA, DINFLACION_SA y DOIL contribuyen en 7%, 90% y 3%
de variación a la fluctuación respectivamente. En el largo plazo los shocks de
DEQFISCAL_SA, DINFLACION_SA y DOIL contribuyen en 8%, 85% y 7%.
Los resultados de las estimaciones de impulso-respuesta y las pruebas de

descomposición de la varianza revelan que las variables inflación no subyacente y
equilibrio fiscal responden positivamente ante cambios en la variación del precio del
petróleo, pero de manera oscilatoria en el corto plazo.
4.2 Contrastación de hipótesis general 2

4.2.1 Análisis descriptivo de datos y aplicación de modelos
Instrumento: Se elige una opción de compra debido a que es muy útil para que los
países importadores se cubran del incremento de precios del petróleo.
Activo subyacente: Los índices de referencia del crudo más importantes son el WTI y
el Brent por lo que los derivados financieros asociados a estos índices son más líquidos
y fáciles de negociar. Para nuestro ejercicio se utilizará el WTI (West Texas
Intermediate) que es el índice de referencia más importante del petróleo crudo y tiene
un mercado más profundo y de mayor volumen, lo que asegura un adecuado nivel de
competencia y transparencia en la determinación de precios.
Tipo de Opción: Se utilizará una opción asiática debido a que se necesita cubrir el
precio de las importaciones de petróleo durante un periodo de tiempo y no solo en una
fecha particular de vencimiento.
Pay Off: Se obtiene al restar el precio promedio del activo subyacente durante un
determinado período de tiempo al precio de ejercicio o strike.
Tabla 13 : Descripción de variables para la estrategia de cobertura
Instrumento Opción Call

Tipo de Opción Asiática
Activo Subyacente Precio de petróleo WTI
Pay off Diferencia entre el precio promedio de
cierre del activo subyacente en un periodo
de 1 año y el strike
Liquidación Periodo 1 año
Fuente y Elaboración: Propia
64
4.2.2 Resultados y discusión
Para la simulación del precio del petróleo se estima los parámetros del modelo de
Heston mediante el método de máxima verosimilitud utilizando los precios del petróleo
del 29-dic-2016 al 29-dic-2017. En la tabla 14 se muestran los parámetros estimados:
Tabla 14 : Estimación de parámetros Modelo Heston por Máxima Verosimilitud
Estimación de parámetros
0.06%
n 252
δ 1
𝑃̂ 0.003
𝑘̂ 0.653
𝜎̂ 0.108
𝜃̂ 0.975%
𝜌̂ - 0.270
Fuente: Elaboración propia
Seguidamente, se utilizan los parámetros calculados en el paso anterior como inputs

para simular el comportamiento del precio del petróleo durante un año utilizando el
modelo de Heston. En la gráfica 26 se presentan algunas de las trayectorias obtenidas
mediante la Simulación de Montecarlo.
Gráfica 26: Simulación de Montecarlo del precio del petróleo
La estimación del precio del petróleo se puede observar mediante las trayectorias
simuladas que el precio tiene una tendencia a la baja debido a la correlación negativa.
Considerando el punto inicial de 𝑆(0) = 53.72 el precio estimado considerando el
promedio de las trayectorias se ubicaría en USD 53.34.
Asimismo, con las simulaciones de las trayectorias de la volatilidad en la gráfica 27, se

observa que desde el punto inicial 𝜎(0) = 0.07% la media de las trayectorias simuladas
se va acercando a la media de largo plazo ( 𝜃 =0.97%) que se grafica como una línea
punteada de color rojo, comprobando la reversión a la media.
65
Gráfica 27: Simulación de Montecarlo de la volatilidad respecto al tiempo
Para el cálculo de la tasa:
Para la simulación la tasa de interés libre de riesgo se estima los parámetros del modelo
de CIR mediante el método de máxima verosimilitud.
En la tabla 15 se muestra los parámetros estimados utilizando las tasas del bono del
gobierno peruano a 10 años en dólares desde el 29-dic-2016 al 29-dic-2017:
Tabla 15 : Estimación de parámetros CIR por Máxima Verosimilitud
Estimación de parámetros
n 250
dt 0.00400
221.35353
3.12%
0.00061
0.02464
En la gráfica 28 se presentan algunas trayectorias obtenidas mediante la Simulación de

Montecarlo utilizando el modelo de CIR con los parámetros calculados en el paso
anterior.
Gráfica 28: Simulación de Montecarlo de la tasa respecto al tiempo
Con las simulaciones de las trayectorias de la tasa de interés libre de riesgo, se observa
que desde el punto inicial 𝑟(0) = 3.705% la media de las trayectorias simuladas se va
acercando a la media de largo plazo ( 𝜃 =3.12%) que se grafica como una línea punteada
de color rojo, comprobando la reversión a la media.
66
Para la estimación del precio de la Call:
Finalmente se calcula el precio de la call con la siguiente fórmula:
𝑇 𝑀
1
𝐶 = exp (− ∫ 𝑟𝑡 𝑑𝑡) ∑ max(𝑆̅ 𝑘 − 𝐾, 0)
𝑜 𝑀
𝑘=1
La integral se calcula con las tasas generadas con el modelo CIR. Para calcular el precio
promedio 𝑆̅ 𝑘 se utilizan los precios del petróleo generados con el modelo de Heston.
Seguidamente, se divide la sumatoria del payoff por el número de simulaciones (M) y se
trae a valor presente este resultado utilizando la integral calculada al inicio. A
continuación, se presenta la tabla 16 con el precio de la call estimada para cada strike:
Tabla 16 : Estimación del precio de la call con distintos strikes
Strike Precio Call

45 8.0950
46 7.1259
47 6.1568
48 5.1879
49 4.2212
50 3.2610
51 2.3221
52 1.4424
53 0.7054
54 0.2452
55 0.0641
56 0.0138
57 0.0029
58 0.0007
59 0.0001
60 -
Dado que el promedio del precio del petróleo es aproximadamente USD 53.34, los
precios de la call con un strike por encima de este número son cero o cercanos a este
valor, debido a que en este tramo no conviene ejecutar la opción.
V. PROPUESTA DE VALOR
En este capítulo se procederá a realizar un comparativo de los costos asociados
generados por cada alternativa de política en cuanto a estabilización del precio de los
combustibles, considerando: Fondo de estabilización de precios de combustibles
(FEPC) y la utilización de instrumentos de cobertura.
Tomando como referencia el año 2018, se considera una prima de USD 2.32 (prima
aproximada extraída de cobertura realizada en Uruguay en el 2017) y un valor de Strike
de USD 51 (precio promedio del petróleo 2017) obteniendo un costo total al año de USD
112,282,477.
# de barriles
Fecha importados Strike Prima Total USD
Ene - Dic 18 48,497,960 51 2.32 112,282,477
Para realizar la simulación del FEPC se tomó data semanal durante todo el 2018 de los
factores de aporte y compensación publicada por el Ministerio de Energía y Minas.
67
Seguidamente, se obtuvo la cantidad de barriles importados mensualmente del reporte
de balanza comercial de importaciones del Ministerio de Energía y Minas. Esta cantidad
mensual se dividió en semanas como se observa en la tabla 17:
Tabla 17: Barriles de petróleo importados y consumo semanal
Mes # semanas MBPD Miles de barriles por día Consumo semanal

Enero 6 4,423 4,422,830 737,138
Febrero 5 4,679 4,679,090 935,818
Marzo 4 4,037 4,037,270 1,009,318
Abril 5 4,193 4,192,750 838,550
Mayo 5 2,455 2,454,880 490,976
Junio 5 3,347 3,347,270 669,454
Julio 5 3,700 3,700,130 740,026
Agosto 5 5,300 5,299,910 1,059,982
Septiembre 4 3,812 3,812,040 953,010
Octubre 6 5,165 5,165,280 860,880
Noviembre 4 3,251 3,251,420 812,855
Diciembre 5 4,135 4,135,090 827,018
Fuente: Ministerio de Energía y Minas
Finalmente, se multiplicaron los factores de aporte y compensación por la cantidad de

barriles importados semanalmente durante todo el 2018 como se observa en la tabla
18:
Tabla 18: Cálculo de Aportes y Compensaciones del FEPC
Mes Semana LS LI PPI Aportes Compensación Aportes Compensación

Enero Del 01/01/2018 al 01/01/2018 7.01 6.91 7.01 - - - -
Enero Del 02/01/2018 al 08/01/2018 7.01 6.91 7.15 - 0.14 - 4,334,371.44
Enero Del 09/01/2018 al 15/01/2018 7.01 6.91 7.26 - 0.25 - 7,739,949.00
Enero Del 16/01/2018 al 22/01/2018 7.01 6.91 7.33 - 0.32 - 9,907,134.72
Enero Del 23/01/2018 al 29/01/2018 7.01 6.91 7.34 - 0.33 - 10,216,732.68
Enero Del 30/01/2018 al 05/02/2018 7.01 6.91 7.40 - 0.39 - 12,074,320.44
El total anual para cada concepto, así como el valor neto (Total a pagar por el Fondo),
se muestra en la siguiente tabla:
Aportes Compensación Total a pagar por el Fondo

215,520,769 361,184,386 145,663,617
Como se observa en la tabla anterior el total a pagar por el Fondo, es decir el subsidio
que recibiría el FEPC, asciende a USD 145,663,617. Por otro lado, la cobertura del
precio del petróleo mediante opciones asiáticas tiene un costo total de USD
112,282,477, lo que generaría un ahorro del gasto público por USD 33,381,140.
De lo anterior se concluye que la cobertura del precio del petróleo usando opciones
asiáticas se genera un ahorro sobre el gasto público lo cual produce un impacto positivo
sobre el Presupuesto del Gobierno.
68
VI CONCLUSIONES Y RECOMENDACIONES
Conclusiones
Las variables inflación no subyacente y equilibrio fiscal responden positivamente ante

cambios en la variación del precio del petróleo en el corto plazo, por lo cual constituye
una fuente de riesgo para los mercados que dependen del petróleo debido a que la
volatilidad del precio de este afecta de manera transversal tanto a exportadores,
productores, comerciantes y el gobierno. Por lo tanto, el impacto del incremento del
precio del crudo en la economía peruana es desfavorable.
Para los gobiernos de los países en desarrollo que dependen de los productos básicos,
el riesgo de los precios es un factor clave tanto del ingreso (presupuesto) como del gasto
(deuda), debido a ello los gobiernos están optando por el uso de instrumentos
financieros como herramienta macro para protegerse contra movimientos desfavorables
de los precios asegurando sus equilibrios sociales y fiscales.
Durante los últimos años el FEPC se ha constituido como un mecanismo beneficioso

absorbiendo la subida de precios de los principales combustibles que conforman el
fondo y contribuyendo a un menor impacto en la inflación, sin embargo el gobierno
mantiene la desventaja de seguir soportando el riesgo de la volatilidad del precio del
petróleo lo cual genera un alto costo para las finanzas públicas y su aplicación por
tiempos prolongados puede generar ineficiencias en el uso de los fondos públicos, por
lo cual el uso de coberturas (estrategia de opciones exóticas) puede minimizar el riesgo
asociado haciendo que el flujo de gastos sea más estable y/o predecible.
Recomendaciones
Es necesario reformular el funcionamiento del FEPC para atenuar el impacto sobre las
finanzas públicas de tal forma de focalizar los gastos públicos sobre aquellas actividades
económicas que son más vulnerables a la volatilidad del precio del crudo. En el contexto
actual donde el precio del petróleo se encuentra en constante volatilidad, se debería
aprovechar para fijar los precios de la energía a corto y largo plazo a través de
herramientas de cobertura, considerando la opción asiática como una buena alternativa.
Un cambio en la matriz energética a largo plazo sigue siendo la forma más directa de
mitigar los riesgos relacionados en el mercado de insumos primarios de combustibles.
La diversificación de fuentes energéticas, el desarrollo de fuentes alternativas de
energía y la reducción de la dependencia externa contribuirán a afianzar la seguridad
energética del país.
En la presente tesis se ha realizado un análisis comparativo simulando el costo

generado en el FEPC versus el costo de la cobertura mediante opción asiática en el
periodo 2018, se puede realizar un análisis histórico y a futuro de la continuidad del
FEPC vs la aplicación de coberturas. En los anexos E y F se desarrollan los modelos de
simulación del precio del petróleo y el cálculo del precio de la opción asiática como
aporte e incentivo para futuras investigaciones.
69
REFERENCIAS BIBLIOGRÁFICAS
Asghar, N. y Naveed, T (2015). Pass-Through of world oil prices to inflation: A time series
analysis of Pakistan. Recuperado de:
https://www.researchgate.net/publication/307935211_PASS-
THROUGH_OF_WORLD_OIL_PRICES_TO_INFLATION_A_TIME_SERIES_ANALYSIS_OF_PAKISTAN
Abeng, M and Alehile, K. (2012). Macroeconomic Shocks and Fiscal Deficit Behaviour
in Nigeria: A VECM Approach. Central Bank of Nigeria. Recuperado de:
https://www.researchgate.net/publication/286077876_O_Macroeconomic_Shocks_and_Fiscal
_Deficit_Behaviour_in_Nigeria_A_VECM_Approach_1
Aziza, Cihan, Symbat y Almaz (2019). de cts of changes in oil prices on the Russian
Economy. Revista Espacios. Recuperado de:
http://www.revistaespacios.com/a19v40n14/a19v40n14p15.pdf
Banco Central de Reserva del Perú (2019). Reporte de Inflación-Panorama actual y

proyecciones macroeconómicas 2019-2021. Recuperado de:
https://www.bcrp.gob.pe/publicaciones/reporte-de-inflacion.html
British Petroleum (2020). Statistical Review of World Energy 2020. Recuperado de:
https://www.bp.com/content/dam/bp/business-sites/en/global/corporate/pdfs/energy-
economics/statistical-review/bp-stats-review-2020-full-report.pdf
Buendía, E. (2018). Los modelos de predicción de las tasas de interés a corto plazo.
Universidad Pontificia Comillas. Obtenido de:
https://repositorio.comillas.edu/jspui/bitstream/11531/22527/1/TFG%20ADE.pdf
Cox, J.C., Ingersoll, J.E. & Ross, S.A. (1985). A theory of the term structure of interest
rates, Econometrica 53, 385–407
Delgado, N., Delgado, B., Saucedo, E. (2018), The relationship between oil prices, the
stock market and the exchange rate: Evidence from Mexico. The North American Journal
of Economics and Finance, 45, 266-275. Recuperado de:
https://www.sciencedirect.com/science/article/abs/pii/S1062940817303790
Fergusson, K. y Platen, E. (2015). Application of Maximum Likelihood estimation to

stochastic short rate models. Annals of Financial Economics. Recuperado de:
https://www.worldscientific.com/doi/abs/10.1142/S2010495215500098
Gallardo, J., Vásquez, A. y Bendezú, L. (2005). La Problemática de los Precios de los

Combustibles. OSINERGMIN. Recuperado de:
https://www.osinergmin.gob.pe/seccion/centro_documental/Institucional/Estudios_Economic
os/Documentos_de_Trabajo/Documento_de_Trabajo_11.pdf
70
Gerebrink, A., Lundgren, J. y Malmström, F. y Thorén, O. (2018). Maximum Likelihood
calibration of the Vasicek model to the Swedish interest rate market. Universidad de
Göteborg. Recuperado de:
https://odr.chalmers.se/bitstream/20.500.12380/256885/1/256885.pdf
Gunu, U., Kilishi, A.A. (2010). Oil Price Shocks and the Nigerian Economy: A Variance
Autoregressive (VAR) Model. International Journal of Business and Management 5, 39-
49. Recuperado de: http://www.ccsenet.org/journal/index.php/ijbm/article/view/6897
Grajales, C. (2006). Modelación Estocástica de la tasa de cambio peso colombiano/U.S.

Dólar. 34–61. Recuperado de:
https://repository.eafit.edu.co/xmlui/bitstream/handle/10784/137/CarlosAlexander_Grajales
Correa_2006.pdf;jsessionid=72FDD20BFD1E624307BF742D6AAA7A07?sequence=3
Heston, S. L. (1993). A closed-form solution for options with stochastic volatility with
applications to bond and currency options. The review of financial studies, 6(2), 327-343.
Hull, J. (2015). Options, futures, and other derivatives. Prentice Hall International.
Issah, I. (2015). Stochastic modeling of crude oil prices. Recuperado de:

http://ir.knust.edu.gh/xmlui/bitstream/handle/123456789/8336/issah%20imoro.pdf?sequenc
e=1
James, A. (2001). Hedging Government Oil Price Risk. International Monetary Fund.
Recuperado de: https://www.imf.org/external/pubs/ft/wp/2001/wp01185.pdf
Jaakko, R., Samu, K., Markus, K. y Tuomas, R. (2014). Seminar on Case Studies in
Operations Research (Mat-2.4177) The pricing of Asian commodity options. Recuperado
de: http://salserver.org.aalto.fi/opinnot/mat-2.4177/2014/Danskefinal.pdf
Kikut, A. y Ocampo, A. (2005). Ajuste Estacional de series económicas con tramo/seats

y CENSUS X12-ARIMA. Banco Central de Costa Rica. Recuperado de:
https://repositorioinvestigaciones.bccr.fi.cr/bitstream/handle/20.500.12506/195/187_Ajuste_
estacional_series_economicas_tramo-seats_census_x12-arima.pdf?sequence=1
Lakhlani, V. (2013). Pricing and Hedging Asian Options. Recuperado de:

https://digitalcommons.usu.edu/cgi/viewcontent.cgi?article=1315&context=gradreports
Mraovic, A. y Zhang, Q. (2014). Valuation of Asian Options-with Levy Approximation.

Recuperado de: https://lup.lub.lu.se/student-papers/search/publication/4301159
Ministerio de Energía y Minas (2020). Balance Nacional de Energía 2018. Recuperado

de: http://www.minem.gob.pe/_publicacion.php?idSector=12&idPublicacion=610
71
Ministerio de Economía y Finanzas (2018). Marco Macroeconómico Multianual 2019-
2022. Recuperado de: https://www.mef.gob.pe/es/?option=com_content&language=es-
ES&Itemid=100869&lang=es-ES&view=article&id=3731
Mukhtarov, Mammadov y Ahmadov (2019). The Impact of Oil Prices on Inflation: The
Case of Azerbaijan. Recuperado de:
https://www.econjournals.com/index.php/ijeep/article/view/7712
Núñez, S. (2009). Adaptación del modelo Black-Sholes en la simulación de un portafolio

de acciones. Recuperado de:
http://tesis.pucp.edu.pe/repositorio/bitstream/handle/20.500.12404/298/NUNEZ_SANDRA_%
20ADAPTACION_DEL_MODELO_BLACK_SCHOLES_%20SIMULACION_PORTAFOLIO_ACCIONES.p
df?sequence=1&isAllowed=y
Nguyen, T., Tran, T. y Dinh, H. (2017).The Impact of Oil Price on the Growth, Inflation,
Unemployment and Budget Deficit of Vietnam. International Journal of Energy
Economics and Policy.7(3), 42-49. Recuperado de:
Obindah, G., Nnaemeka, E., Romanus, O. (2019). Implications of oil price shocks on net
oil-importing African countries. Recuperado de:
https://www.sciencedirect.com/science/article/pii/S2405844019358682
Ortiz, A. y Martinez, M. (2016). Valuación de opciones asiáticas versus opciones

europeas con tasa de interés estocástica. Instituto Politécnico Nacional. México. Doi:
https://doi.org/10.1016/j.cya.2016.06.002
Osinergmin, (2019). Reporte semestral de monitoreo del mercado de hidrocarburos,

año 8, N°14. Recuperado de:
https://www.osinergmin.gob.pe/seccion/centro_documental/Institucional/Estudios_Economic
os/Reportes_de_Mercado/Osinergmin-RSMMH-I-2019.pdf
Perilla, A y Oancea, D. (2003). Pricing and Hedging Exotic Options with Monte Carlo
Simulation. Recuperado de:
https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.194.9001&rep=rep1&type=pdf
Rosales, M. (2017). Instituto Belisario Domínguez. Las coberturas petroleras como

medio de protección para las finanzas públicas. México. Recuperado de:
http://bibliodigitalibd.senado.gob.mx/handle/123456789/3775
Saavedra, P. e Ibarra, V. El método de Montecarlo y su aplicación a las finanzas.

Universidad Autónoma Metropolitana-Iztapalapa y Universidad Anahuac. México.
Recuperado de: https://docplayer.es/8065804-El-metodo-monte-carlo-y-su-aplicacion-a-
finanzas.html
72
Sánchez-Albavera, F. y Vargas, A. (2005). La volatilidad de los precios del petróleo y su
impacto en América Latina. CEPAL. Recuperado de:
https://repositorio.cepal.org/handle/11362/6291
Syzdykova, A., Tanrioven, C., Nahipbekova, S. y Kuralbayev, A. (2019). The effects of

changes in oil prices on the Russian Economy. Revista Espacios. Recuperado de:
http://www.revistaespacios.com/a19v40n14/a19v40n14p15.pdf
Tamayo, J; Salvador, J; Vásquez, A; y De la Cruz, R (Editores) (2015). La industria de

los hidrocarburos líquidos en el Perú: 20 años de aporte al desarrollo del país.
Osinergmin. Lima-Perú.
Trang, N., Tho, T. y Hong, D (2017). The Impact of Oil Price on the Growth, Inflation,
Unemployment and Budget Deficit of Vietnam. Recuperado de:
United Nations. (2019). Managing commodity price risk in commodity-dependent

developing countries. United Nations Conference on Trade and Development.
Recuperado de: https://unctad.org/system/files/official-document/cimem2d46_en.pdf
Vasicek, O. (1977). An equilibrium characterization of the term structure. Journal of

financial economics, 5(2), 177-188.
Wang, X.; Zhao, Y. y He, X. (2017). Parameter Estimates of Heston Stochastic volatility
model with MLE and consistent EKF algorithm. Recuperado de:
https://link.springer.com/article/10.1007/s11432-017-9215-8
Yépez, R. y Dana, J. (2012). Mitigación de la vulnerabilidad a los precios del petróleo

altos y volátiles: Experiencia del sector eléctrico en América Latina y el Caribe. Banco
Mundial. Recuperado de:
http://documents1.worldbank.org/curated/en/107321468270862393/pdf/774540ESMAP0WP
0cataloging0guidance0.pdf
Zhang, H. (2009). Pricing Asian Options using Monte Carlo Methods. Uppsala University.
Recuperado de: https://www.diva-portal.org/smash/get/diva2:301070/FULLTEXT01.pdf
73
ANEXOS
Anexo A: Impacto del precio del petróleo sobre las principales variables
macroeconómicas.
A.1: Test de estacionalidad
Test F de estacionalidad para la variable Equilibrio Fiscal
Fuente: Eviews
Test F de estacionalidad para la variable Inflación
Fuente: Eviews
Test F de estacionalidad para la variable Oil
Fuente: Eviews
74
Anexo B: Prueba de residuos VAR
B.1: Prueba de normalidad VAR
Fuente: Eviews
B.2: Prueba de Autocorrelación VAR
Fuente: Eviews
75
B.3: Prueba de Heterocedasticidad VAR
Fuente: Eviews
Anexo C: Prueba de residuos VAR corregido
C.1: Prueba de normalidad VAR Corregido
Fuente: Eviews
C.2: Prueba de Autocorrelación VAR Corregido
Fuente: Eviews
76
C.3: Prueba de Heterocedasticidad VAR corregido
Fuente: Eviews
Anexo D: Descomposición de varianza
77
Anexo E: Codigo Phyton
E.1: Cálculo del precio del petróleo
E.2: Cálculo de la tasa mediante CIR
78
E.3: Cálculo del precio de la opción
Anexo F: Estimación de parámetros por el método de máxima verosimilitud
79
F.1: Estimación de parámetros para la predicción del precio del petróleo
kappa 𝑘̂ Rho 𝜌̂
𝑛 𝑛
𝑛 𝑛 𝑛 𝑛
𝑃𝛿 1 ∑ 1
𝑛 2 𝑛
Precio Var. Precio 1 𝑣𝑘 𝜕 𝜕1 1 2 1 𝑣𝑘 41 𝛿
Fecha 𝑣𝑘 = (L-m)^2 ∑ 𝑣 𝑣 ∑ ∑ 𝑣𝑘−1 ∑ ∑ ∑ 𝑣𝑘 − 𝑣𝑘−1 − (𝑃− 𝑘𝑣𝑘−1) 1 ∆𝑊1 ∆𝑊2𝑘 ∑ ∆𝑊1 ∆𝑊2
2 𝑛 𝑘=1 𝑣𝑘−1
2 𝑣𝑘−1
Petróleo L 𝑛 𝑘=1 𝑘−1 𝑘 𝑣𝑘−1 2 2 𝑛2 𝑣𝑘−1 𝛿 𝑛 𝑣𝑘−1 𝛿𝑛 𝑘=1
𝑛𝛿
𝑘 𝑘 𝑘
𝑘=1 𝑘=1 𝑘=1 𝑘=1 𝑘=1
29-12-2016 53.77
30-12-2016 53.72 -0.09% 0.15% 0.004 2.491 368.010 3.058 0.500 0.000 115,659 2.000 0.000 115,659.26 0.004 368.010 0.016 0.741 0 - 68.12
03-01-2017 52.33 -2.59% 2.65% 0.006 4.169 656.509 656.509 4.169 0.009 -0.67 4.62 - 3.08
04-01-2017 53.26 1.78% 1.72% 0.021 0.806 37.781 37.781 0.806 0.000 0.19 0.09 0.02
05-01-2017 53.76 0.94% 0.88% 0.012 0.716 58.212 58.212 0.716 0.000 0.13 - 0.25 - 0.03
06-01-2017 53.99 0.43% 0.37% 0.006 0.647 113.706 113.706 0.647 0.000 0.09 - 0.56 - 0.05
09-01-2017 51.96 -3.76% 3.82% 0.012 3.219 271.374 271.374 3.219 0.016 -0.61 4.64 - 2.83
10-01-2017 50.82 -2.19% 2.25% 0.029 0.768 26.183 26.183 0.768 0.000 -0.02 0.14 - 0.00
11-01-2017 52.25 2.81% 2.75% 0.025 1.106 44.379 44.379 1.106 0.003 0.26 0.82 0.21
12-01-2017 53.01 1.45% 1.40% 0.020 0.712 36.304 36.304 0.712 0.000 0.17 - 0.11 - 0.02
13-01-2017 52.37 -1.21% 1.27% 0.013 0.953 71.674 71.674 0.953 0.000 -0.05 0.11 - 0.01
17-01-2017 52.48 0.21% 0.15% 0.004 0.345 78.948 78.948 0.345 0.003 0.07 - 0.76 - 0.05
18-01-2017 51.08 -2.67% 2.73% 0.006 4.254 663.518 663.518 4.254 0.009 -0.69 4.84 - 3.35
19-01-2017 51.37 0.57% 0.51% 0.012 0.432 36.670 36.670 0.432 0.003 0.11 - 0.60 - 0.07
20-01-2017 52.42 2.04% 1.98% 0.010 1.976 196.694 196.694 1.976 0.005 0.31 1.51 0.47
23-01-2017 52.75 0.63% 0.57% 0.011 0.536 50.386 50.386 0.536 0.001 0.11 - 0.49 - 0.05
24-01-2017 53.18 0.82% 0.76% 0.007 1.151 175.378 175.378 1.151 0.000 0.14 - 0.10 - 0.01
25-01-2017 52.75 -0.81% 0.87% 0.008 1.072 132.304 132.304 1.072 0.000 -0.06 - 0.03 0.00
26-01-2017 53.78 1.95% 1.89% 0.013 1.477 115.220 115.220 1.477 0.003 0.25 0.95 0.23
27-01-2017 53.17 -1.13% 1.19% 0.015 0.794 52.819 52.819 0.794 0.000 -0.02 - 0.07 0.00
30-01-2017 52.63 -1.02% 1.07% 0.011 0.949 83.781 83.781 0.949 0.000 -0.04 0.02 - 0.00
31-01-2017 52.81 0.34% 0.28% 0.006 0.513 93.028 93.028 0.513 0.001 0.08 - 0.65 - 0.05
01-02-2017 53.88 2.03% 1.97% 0.007 2.638 353.759 353.759 2.638 0.005 0.39 2.14 0.84
02-02-2017 53.54 -0.63% 0.69% 0.012 0.592 50.844 50.844 0.592 0.001 0.02 - 0.41 - 0.01
03-02-2017 53.83 0.54% 0.48% 0.006 0.836 144.851 144.851 0.836 0.000 0.1 - 0.44 - 0.04
06-02-2017 53.01 -1.52% 1.58% 0.009 1.811 207.332 207.332 1.811 0.003 -0.19 1.03 - 0.20
07-02-2017 52.17 -1.58% 1.64% 0.016 1.019 63.185 63.185 1.019 0.001 -0.07 0.34 - 0.02
08-02-2017 52.34 0.33% 0.27% 0.007 0.403 60.830 60.830 0.403 0.002 0.08 - 0.68 - 0.06
09-02-2017 53 1.26% 1.20% 0.006 2.123 375.199 375.199 2.123 0.002 0.26 0.84 0.22
10-02-2017 53.86 1.62% 1.56% 0.014 1.141 83.219 83.219 1.141 0.001 0.2 0.43 0.08
13-02-2017 52.93 -1.73% 1.79% 0.017 1.069 63.967 63.967 1.069 0.001 -0.08 0.45 - 0.04
14-02-2017 53.2 0.51% 0.45% 0.009 0.502 55.990 55.990 0.502 0.001 0.1 - 0.56 - 0.06
15-02-2017 53.11 -0.17% 0.23% 0.003 0.712 221.840 221.840 0.712 0.001 -0 - 0.78 0.00
16-02-2017 53.36 0.47% 0.41% 0.003 1.342 437.627 437.627 1.342 0.000 0.11 - 0.59 - 0.06
17-02-2017 53.4 0.07% 0.02% 0.001 0.195 243.079 243.079 0.195 0.003 0.03 - 1.10 - 0.04
21-02-2017 54.06 1.24% 1.18% 0.001 8.676 6397.819 6397.819 8.676 0.001 0.94 3.94 3.71
22-02-2017 53.59 -0.87% 0.93% 0.010 0.888 84.989 84.989 0.888 0.000 -0.03 - 0.10 0.00
23-02-2017 54.45 1.60% 1.55% 0.012 1.290 107.673 107.673 1.290 0.002 0.21 0.56 0.12
24-02-2017 53.99 -0.84% 0.90% 0.012 0.765 64.706 64.706 0.765 0.000 -0.01 - 0.20 0.00
27-02-2017 54.05 0.11% 0.05% 0.002 0.239 110.602 110.602 0.239 0.004 0.05 - 0.87 - 0.05
28-02-2017 54.01 -0.07% 0.13% 0.001 1.604 1930.521 1930.521 1.604 0.003 -0.05 - 2.11 0.10
01-03-2017 53.83 -0.33% 0.39% 0.002 1.716 749.975 749.975 1.716 0.000 -0.09 - 0.73 0.07
02-03-2017 52.61 -2.27% 2.33% 0.010 2.434 254.710 254.710 2.434 0.007 -0.34 2.28 - 0.79
03-03-2017 53.33 1.37% 1.31% 0.017 0.750 42.997 42.997 0.750 0.000 0.16 - 0.08 - 0.01
06-03-2017 53.2 -0.24% 0.30% 0.006 0.481 76.381 76.381 0.481 0.001 0.03 - 0.63 - 0.02
07-03-2017 53.14 -0.11% 0.17% 0.002 0.754 329.927 329.927 0.754 0.001 -0 - 0.95 0.00
08-03-2017 50.28 -5.38% 5.44% 0.010 5.623 581.010 581.010 5.623 0.027 -1.33 10.54 - 13.99
09-03-2017 49.28 -1.99% 2.05% 0.033 0.614 18.378 18.378 0.614 0.000 0.03 - 0.19 - 0.01
10-03-2017 48.49 -1.60% 1.66% 0.018 0.901 48.823 48.823 0.901 0.000 -0.05 0.20 - 0.01
13-03-2017 48.4 -0.19% 0.24% 0.006 0.384 60.153 60.153 0.384 0.003 0.05 - 0.69 - 0.03
14-03-2017 47.72 -1.40% 1.46% 0.006 2.445 408.267 408.267 2.445 0.003 -0.27 1.38 - 0.38
15-03-2017 48.86 2.39% 2.33% 0.018 1.261 68.292 68.292 1.261 0.003 0.25 0.90 0.23
16-03-2017 48.75 -0.23% 0.28% 0.008 0.349 42.926 42.926 0.349 0.004 0.06 - 0.70 - 0.04
17-03-2017 48.78 0.06% 0.00% 0.000 0.088 351.537 351.537 0.088 0.004 0.03 - 1.27 - 0.03
20-03-2017 48.22 -1.15% 1.21% 0.001 23.393 45325.383 45325.383 23.393 0.067 -2.58 11.17 - 28.86
21-03-2017 47.34 -1.82% 1.88% 0.015 1.249 82.826 82.826 1.249 0.002 -0.12 0.70 - 0.08
22-03-2017 48.04 1.48% 1.42% 0.016 0.868 53.070 53.070 0.868 0.000 0.17 0.09 0.01
23-03-2017 47.7 -0.71% 0.77% 0.010 0.735 70.456 70.456 0.735 0.000 -0.01 - 0.28 0.00
80
kappa 𝑘̂ Rho 𝜌̂
𝑛 𝑛
𝑛 𝑛 𝑛 𝑛
1 𝑣𝑘 𝜕 𝜕1 1 𝑃𝛿 1 1 1 𝑣𝑘
𝑛
𝛿
2 𝑛
Precio Var. Precio
𝑣𝑘 = (L-m)^2 2 ∑ 41 ∑ 𝑣𝑘 − 𝑣𝑘−1 − (𝑃− 𝑘𝑣𝑘−1) 1 ∆𝑊1
Fecha ∑ 𝑣𝑘−1 𝑣𝑘 ∑ ∑ 𝑣𝑘−1 ∑ 𝑣𝑘−1 ∑ 2 𝑣𝑘−1 ∆𝑊2𝑘 ∑ ∆𝑊1𝑘 ∆𝑊2𝑘
Petróleo L 𝑛 𝑣𝑘−1 2 2 𝑛2 𝑣𝑘−1 𝛿 2𝑛 𝑛 𝑣𝑘−1 𝛿𝑛 𝑘=1
𝑘
𝑘=1 𝑘=1 𝑘=1 𝑘=1
𝑘=1 𝑘=1 𝑛𝛿 𝑘=1
01-09-2017 47.29 0.13% 0.07% 0.004 0.158 36.983 36.983 0.158 0.009 0.09 - 0.84 - 0.07
05-09-2017 48.66 2.90% 2.84% 0.004 6.474 1476.980 1476.980 6.474 0.007 1.09 7.71 8.39
06-09-2017 49.16 1.03% 0.97% 0.017 0.584 35.240 35.240 0.584 0.001 0.14 - 0.36 - 0.05
07-09-2017 49.09 -0.14% 0.20% 0.004 0.456 103.284 103.284 0.456 0.002 0.03 - 0.72 - 0.02
08-09-2017 47.48 -3.28% 3.34% 0.008 4.068 495.726 495.726 4.068 0.013 -0.73 5.40 - 3.96
11-09-2017 48.07 1.24% 1.18% 0.020 0.595 29.949 29.949 0.595 0.001 0.16 - 0.31 - 0.05
12-09-2017 48.23 0.33% 0.27% 0.006 0.481 84.510 84.510 0.481 0.001 0.08 - 0.66 - 0.05
13-09-2017 49.3 2.22% 2.16% 0.008 2.810 365.610 365.610 2.810 0.006 0.43 2.52 1.09
14-09-2017 49.89 1.20% 1.14% 0.016 0.726 46.313 46.313 0.726 0.000 0.15 - 0.16 - 0.02
15-09-2017 49.89 0.00% 0.06% 0.003 0.228 87.918 87.918 0.228 0.004 0.05 - 0.84 - 0.04
18-09-2017 49.91 0.04% 0.02% 0.000 0.570 1685.426 1685.426 0.570 0.005 0 - 2.42 - 0.01
19-09-2017 49.48 -0.86% 0.92% 0.001 6.918 5196.425 5196.425 6.918 0.001 -0.66 1.84 - 1.21
20-09-2017 50.41 1.88% 1.82% 0.013 1.406 108.591 108.591 1.406 0.003 0.24 0.83 0.20
21-09-2017 50.55 0.28% 0.22% 0.006 0.346 54.939 54.939 0.346 0.003 0.08 - 0.72 - 0.06
22-09-2017 50.66 0.22% 0.16% 0.002 0.851 457.895 457.895 0.851 0.001 0.06 - 1.09 - 0.06
25-09-2017 52.22 3.08% 3.02% 0.007 4.368 631.815 631.815 4.368 0.011 0.77 5.39 4.14
26-09-2017 51.88 -0.65% 0.71% 0.015 0.485 33.112 33.112 0.485 0.002 0.05 - 0.52 - 0.02
27-09-2017 52.14 0.50% 0.44% 0.006 0.789 140.761 140.761 0.789 0.000 0.09 - 0.48 - 0.05
28-09-2017 51.56 -1.11% 1.17% 0.007 1.628 226.334 226.334 1.628 0.001 -0.14 0.53 - 0.08
29-09-2017 51.67 0.21% 0.15% 0.004 0.363 85.344 85.344 0.363 0.002 0.07 - 0.76 - 0.05
02-10-2017 50.58 -2.11% 2.17% 0.006 3.753 649.302 649.302 3.753 0.006 -0.54 3.47 - 1.87
03-10-2017 50.42 -0.32% 0.38% 0.009 0.416 46.107 46.107 0.416 0.002 0.05 - 0.63 - 0.03
04-10-2017 49.98 -0.87% 0.93% 0.006 1.575 266.196 266.196 1.575 0.001 -0.12 0.25 - 0.03
05-10-2017 50.79 1.62% 1.56% 0.012 1.294 107.296 107.296 1.294 0.002 0.21 0.57 0.12
06-10-2017 49.29 -2.95% 3.01% 0.022 1.389 64.049 64.049 1.389 0.006 -0.18 1.35 - 0.25
09-10-2017 49.58 0.59% 0.53% 0.013 0.419 33.193 33.193 0.419 0.003 0.12 - 0.61 - 0.07
10-10-2017 50.92 2.70% 2.64% 0.012 2.235 189.028 189.028 2.235 0.008 0.39 2.31 0.91
11-10-2017 51.3 0.75% 0.69% 0.013 0.510 37.830 37.830 0.510 0.001 0.12 - 0.49 - 0.06
12-10-2017 50.6 -1.36% 1.42% 0.010 1.440 145.574 145.574 1.440 0.002 -0.13 0.61 - 0.08
13-10-2017 51.45 1.68% 1.62% 0.015 1.067 70.232 70.232 1.067 0.001 0.19 0.38 0.07
16-10-2017 51.87 0.82% 0.76% 0.011 0.683 61.709 61.709 0.683 0.000 0.12 - 0.32 - 0.04
17-10-2017 51.88 0.02% 0.04% 0.002 0.230 132.101 132.101 0.230 0.003 0.04 - 0.91 - 0.04
18-10-2017 52.04 0.31% 0.25% 0.001 2.494 2496.678 2496.678 2.494 0.002 0.13 - 1.85 - 0.25
19-10-2017 51.29 -1.44% 1.50% 0.006 2.454 401.491 401.491 2.454 0.003 -0.28 1.44 - 0.40
20-10-2017 51.47 0.35% 0.29% 0.007 0.441 66.643 66.643 0.441 0.002 0.09 - 0.65 - 0.06
23-10-2017 51.9 0.84% 0.78% 0.005 1.631 342.920 342.920 1.631 0.000 0.17 0.06 0.01
24-10-2017 52.47 1.10% 1.04% 0.009 1.157 128.848 128.848 1.157 0.001 0.16 0.14 0.02
25-10-2017 52.18 -0.55% 0.61% 0.008 0.768 96.253 96.253 0.768 0.000 -0.01 - 0.35 0.00
26-10-2017 52.64 0.88% 0.82% 0.007 1.159 163.391 163.391 1.159 0.000 0.14 - 0.03 - 0.00
27-10-2017 53.9 2.39% 2.33% 0.014 1.685 121.620 121.620 1.685 0.005 0.3 1.44 0.43
30-10-2017 54.15 0.46% 0.40% 0.010 0.416 42.840 42.840 0.416 0.003 0.1 - 0.63 - 0.06
31-10-2017 54.38 0.42% 0.37% 0.004 0.950 247.225 247.225 0.950 0.000 0.09 - 0.60 - 0.05
01-11-2017 54.3 -0.15% 0.21% 0.003 0.752 273.662 273.662 0.752 0.001 -0 - 0.85 0.00
02-11-2017 54.54 0.44% 0.38% 0.003 1.361 484.390 484.390 1.361 0.000 0.11 - 0.66 - 0.07
03-11-2017 55.64 2.02% 1.96% 0.009 2.262 261.331 261.331 2.262 0.005 0.34 1.77 0.61
06-11-2017 57.35 3.07% 3.01% 0.024 1.241 51.085 51.085 1.241 0.005 0.28 1.12 0.32
07-11-2017 57.2 -0.26% 0.32% 0.010 0.326 33.179 33.179 0.326 0.005 0.07 - 0.72 - 0.05
08-11-2017 56.81 -0.68% 0.74% 0.005 1.520 311.639 311.639 1.520 0.000 -0.1 - 0.01 0.00
09-11-2017 57.17 0.63% 0.57% 0.007 0.880 134.925 134.925 0.880 0.000 0.11 - 0.34 - 0.04
10-11-2017 56.74 -0.75% 0.81% 0.007 1.189 174.107 174.107 1.189 0.000 -0.07 - 0.03 0.00
13-11-2017 56.76 0.04% 0.02% 0.001 0.172 123.232 123.232 0.172 0.004 0.04 - 0.92 - 0.04
14-11-2017 55.7 -1.87% 1.93% 0.002 8.945 4152.188 4152.188 8.945 0.000 -1.25 7.61 - 9.48
15-11-2017 55.33 -0.66% 0.72% 0.012 0.613 51.898 51.898 0.613 0.000 0.02 - 0.39 - 0.01
16-11-2017 55.14 -0.34% 0.40% 0.005 0.746 138.197 138.197 0.746 0.000 -0 - 0.53 0.00
17-11-2017 56.55 2.56% 2.50% 0.010 2.490 248.308 248.308 2.490 0.008 0.42 2.50 1.05
20-11-2017 56.09 -0.81% 0.87% 0.015 0.591 40.035 40.035 0.591 0.001 0.02 - 0.37 - 0.01
21-11-2017 56.83 1.32% 1.26% 0.010 1.202 114.578 114.578 1.202 0.001 0.18 0.32 0.06
22-11-2017 58.02 2.09% 2.03% 0.016 1.271 79.367 79.367 1.271 0.003 0.24 0.79 0.19
24-11-2017 58.95 1.60% 1.54% 0.018 0.871 49.149 49.149 0.871 0.000 0.18 0.13 0.02
27-11-2017 58.11 -1.42% 1.48% 0.015 0.981 64.785 64.785 0.981 0.001 -0.06 0.23 - 0.01
28-11-2017 57.99 -0.21% 0.27% 0.006 0.423 67.373 67.373 0.423 0.002 0.04 - 0.67 - 0.03
29-11-2017 57.3 -1.19% 1.25% 0.006 2.168 376.170 376.170 2.168 0.002 -0.22 0.93 - 0.20
30-11-2017 57.4 0.17% 0.12% 0.004 0.304 80.052 80.052 0.304 0.003 0.07 - 0.79 - 0.05
01-12-2017 58.36 1.67% 1.61% 0.004 3.742 868.147 868.147 3.742 0.003 0.49 2.54 1.24
04-12-2017 57.47 -1.53% 1.58% 0.016 0.991 61.991 61.991 0.991 0.001 -0.06 0.28 - 0.02
05-12-2017 57.62 0.26% 0.20% 0.006 0.357 63.117 63.117 0.357 0.003 0.08 - 0.72 - 0.06
06-12-2017 55.96 -2.88% 2.94% 0.008 3.818 495.851 495.851 3.818 0.011 -0.64 4.58 - 2.94
07-12-2017 56.69 1.30% 1.25% 0.019 0.651 34.010 34.010 0.651 0.000 0.16 - 0.22 - 0.03
08-12-2017 57.36 1.18% 1.12% 0.012 0.949 80.310 80.310 0.949 0.000 0.16 0.04 0.01
11-12-2017 57.99 1.10% 1.04% 0.011 0.962 89.084 89.084 0.962 0.000 0.15 0.01 0.00
12-12-2017 57.14 -1.47% 1.53% 0.013 1.212 96.247 96.247 1.212 0.001 -0.1 0.48 - 0.05
13-12-2017 56.6 -0.95% 1.00% 0.012 0.812 65.569 65.569 0.812 0.000 -0.02 - 0.12 0.00
14-12-2017 57.04 0.78% 0.72% 0.008 0.846 99.564 99.564 0.846 0.000 0.12 - 0.25 - 0.03
15-12-2017 57.3 0.46% 0.40% 0.005 0.743 139.265 139.265 0.743 0.000 0.09 - 0.53 - 0.05
18-12-2017 57.16 -0.24% 0.30% 0.003 0.875 252.214 252.214 0.875 0.000 -0.02 - 0.69 0.01
19-12-2017 57.46 0.52% 0.47% 0.004 1.238 329.315 329.315 1.238 0.000 0.11 - 0.46 - 0.05
20-12-2017 58.09 1.10% 1.04% 0.007 1.493 214.818 214.818 1.493 0.001 0.19 0.32 0.06
21-12-2017 58.36 0.46% 0.41% 0.006 0.625 96.424 96.424 0.625 0.000 0.09 - 0.54 - 0.05
22-12-2017 58.47 0.19% 0.13% 0.002 0.564 246.631 246.631 0.564 0.001 0.05 - 0.94 - 0.05
26-12-2017 59.97 2.57% 2.51% 0.006 4.405 774.275 774.275 4.405 0.007 0.71 4.68 3.30
27-12-2017 59.64 -0.55% 0.61% 0.012 0.493 39.903 39.903 0.493 0.002 0.04 - 0.52 - 0.02
28-12-2017 59.84 0.34% 0.28% 0.004 0.673 164.040 164.040 0.673 0.000 0.07 - 0.68 - 0.05
29-12-2017 60.42 0.97% 0.91% 0.005 1.816 362.301 362.301 1.816 0.001 0.2 0.31 0.06
Fuente: Bloomberg
81
F.2: Estimación de parámetros para predecir la tasa libre de riesgo
𝑛 𝑛 𝑛 𝑛 𝑛 2 𝑛
2
Fecha Tasa libre de riesgo ∑ 𝑟𝑡𝑖 𝑟𝑡𝑖−1 ∑ 𝑟𝑡𝑖 ∑ 𝑟𝑡𝑖−1 ∑ 𝑟𝑡2𝑖−1 (∑ 𝑟𝑡𝑖− 1 ) ∑ 𝑟𝑡𝑖 − 𝑟𝑡𝑖 −1 𝑒 −𝑘̂𝑑𝑡 − 𝜃 (1 − 𝑒 −𝑘̂ 𝑑𝑡 )
𝑖 =1
𝑖 =1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
29Dic16 3.722 0.24655585 7.83479 7.87184 0.24678043 61.965865 0.000284485

30Dic16 3.705
02Ene17 3.705 0.0013727 0.0013727 1.16691E-05
03Ene17 3.732 0.00138271 0.0013727 1.35867E-05
04Ene17 3.677 0.00137226 0.00139278 9.14835E-06
05Ene17 3.59 0.00132004 0.00135203 5.67165E-06
06Ene17 3.579 0.00128486 0.00128881 6.91919E-06
09Ene17 3.527 0.00126231 0.00128092 4.64754E-06
10Ene17 3.514 0.00123939 0.00124397 5.01911E-06
11Ene17 3.478 0.00122217 0.00123482 3.74023E-06
12Ene17 3.418 0.00118878 0.00120965 2.19776E-06
13Ene17 3.375 0.00115358 0.00116827 1.69002E-06
16Ene17 3.375 0.00113906 0.00113906 2.18272E-06
17Ene17 3.293 0.00111139 0.00113906 4.32179E-07
18Ene17 3.378 0.00111238 0.00108438 3.40657E-06
19Ene17 3.44 0.00116203 0.00114109 4.47334E-06
20Ene17 3.452 0.00118749 0.00118336 3.91743E-06
23Ene17 3.419 0.00118024 0.00119163 2.55918E-06
24Ene17 3.432 0.0011734 0.00116896 3.48152E-06
25Ene17 3.474 0.00119228 0.00117786 4.98296E-06
26Ene17 3.501 0.00121625 0.00120687 5.42417E-06
27Ene17 3.477 0.0012173 0.0012257 3.9109E-06
30Ene17 3.5 0.00121695 0.00120895 5.32044E-06
31Ene17 3.461 0.00121135 0.001225 3.31868E-06
01Feb17 3.456 0.00119612 0.00119785 3.735E-06
02Feb17 3.436 0.00118748 0.00119439 3.07386E-06
03Feb17 3.409 0.00117133 0.00118061 2.45158E-06
06Feb17 3.393 0.00115667 0.00116213 2.30171E-06
07Feb17 3.38 0.00114683 0.00115124 2.11163E-06
08Feb17 3.309 0.00111844 0.00114244 6.34852E-07
09Feb17 3.304 0.00109329 0.00109495 1.08094E-06
10Feb17 3.302 0.00109098 0.00109164 1.08224E-06
13Feb17 3.301 0.00108999 0.00109032 1.07861E-06
14Feb17 3.343 0.00110352 0.00108966 2.13945E-06
15Feb17 3.431 0.00114698 0.00111756 4.70637E-06
16Feb17 3.406 0.0011686 0.00117718 2.42231E-06
17Feb17 3.401 0.00115838 0.00116008 2.59054E-06
20Feb17 3.401 0.00115668 0.00115668 2.65736E-06
21Feb17 3.375 0.00114784 0.00115668 1.87729E-06
22Feb17 3.341 0.00112759 0.00113906 1.29369E-06
23Feb17 3.324 0.00111055 0.00111623 1.22693E-06
24Feb17 3.284 0.0010916 0.0011049 6.04973E-07
27Feb17 3.247 0.00106631 0.00107847 3.2812E-07
28Feb17 3.247 0.0010543 0.0010543 5.2629E-07
01Mar17 3.282 0.00106567 0.0010543 1.15661E-06
02Mar17 3.288 0.00107912 0.00107715 9.82216E-07
03Mar17 3.297 0.00108405 0.00108109 1.1158E-06
06Mar17 3.305 0.00108966 0.00108702 1.20821E-06
07Mar17 3.306 0.00109263 0.0010923 1.15817E-06
08Mar17 3.368 0.00111346 0.00109296 2.86306E-06
09Mar17 3.459 0.00116499 0.00113434 5.50503E-06
10Mar17 3.405 0.00117779 0.00119647 2.04738E-06
13Mar17 3.441 0.00117166 0.0011594 4.05475E-06
14Mar17 3.457 0.00118955 0.00118405 4.10113E-06
15Mar17 3.304 0.00114219 0.00119508 1.84142E-07
16Mar17 3.279 0.00108338 0.00109164 6.566E-07
17Mar17 3.263 0.00106994 0.00107518 5.67679E-07
20Mar17 3.238 0.00105656 0.00106472 3.24275E-07
21Mar17 3.243 0.00105008 0.00104846 5.22132E-07
22Mar17 3.238 0.00105008 0.0010517 4.25052E-07
23Mar17 3.239 0.00104879 0.00104846 4.65925E-07
24Mar17 3.199 0.00103616 0.00104911 7.7541E-08
27Mar17 3.193 0.00102144 0.00102336 1.47056E-07
28Mar17 3.221 0.00102847 0.00101952 4.73663E-07
29Mar17 3.209 0.00103362 0.00103748 2.04955E-07
30Mar17 3.254 0.00104421 0.00102977 9.06732E-07
31Mar17 3.281 0.00106764 0.00105885 1.0745E-06
82
𝑛 𝑛 𝑛 𝑛 𝑛 2 𝑛
̂ 𝑑𝑡 ̂ 2
Fecha Tasa libre de riesgo ∑ 𝑟𝑡𝑖 𝑟𝑡𝑖−1 ∑ 𝑟𝑡𝑖 ∑ 𝑟𝑡𝑖−1 ∑ 𝑟𝑡2𝑖−1 (∑ 𝑟𝑡𝑖− 1 ) ∑ 𝑟𝑡𝑖 − 𝑟𝑡𝑖 −1 𝑒 −𝑘 − 𝜃 (1 − 𝑒 −𝑘 𝑑𝑡 )
𝑖 =1
𝑖 =1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
01Set17 2.907 0.0008407 0.00083637 1.46413E-06

04Set17 2.907 0.00084506 0.00084506 1.61772E-06
05Set17 2.847 0.00082762 0.00084506 3.50399E-06
06Set17 2.863 0.0008151 0.00081054 2.14437E-06
07Set17 2.816 0.00080622 0.00081968 4.0015E-06
08Set17 2.806 0.00079017 0.00079299 3.63467E-06
11Set17 2.836 0.00079578 0.00078736 2.44993E-06
12Set17 2.856 0.00080996 0.00080429 2.21709E-06
13Set17 2.843 0.00081196 0.00081567 2.89509E-06
14Set17 2.85 0.00081026 0.00080826 2.48966E-06
15Set17 2.852 0.00081282 0.00081225 2.51776E-06
18Set17 2.865 0.0008171 0.00081339 2.14621E-06
19Set17 2.882 0.00082569 0.00082082 1.81879E-06
20Set17 2.928 0.00084385 0.00083059 9.19218E-07
21Set17 2.955 0.00086522 0.00085732 7.71812E-07
22Set17 2.929 0.00086552 0.0008732 1.56229E-06
25Set17 2.906 0.00085117 0.0008579 1.88418E-06
26Set17 2.936 0.0008532 0.00084448 9.56032E-07
27Set17 2.986 0.00087669 0.00086201 3.61841E-07
28Set17 2.98 0.00088983 0.00089162 7.53083E-07
29Set17 2.972 0.00088566 0.00088804 8.52023E-07
02Oct17 2.988 0.00088803 0.00088328 5.32969E-07
03Oct17 2.998 0.0008958 0.00089281 4.84492E-07
04Oct17 2.985 0.0008949 0.0008988 7.52224E-07
05Oct17 3.003 0.0008964 0.00089102 4.01548E-07
06Oct17 3.037 0.00091201 0.0009018 1.35377E-07
09Oct17 3.037 0.00092234 0.00092234 2.58268E-07
10Oct17 3.028 0.0009196 0.00092234 3.57844E-07
11Oct17 3.014 0.00091264 0.00091688 4.91502E-07
12Oct17 3.008 0.00090661 0.00090842 4.94653E-07
13Oct17 2.993 0.00090029 0.00090481 6.86517E-07
16Oct17 2.989 0.00089461 0.0008958 6.50735E-07
17Oct17 2.988 0.00089311 0.00089341 6.40288E-07
18Oct17 2.996 0.0008952 0.00089281 5.12734E-07
19Oct17 2.989 0.0008955 0.0008976 6.70856E-07
20Oct17 3.022 0.00090328 0.00089341 2.11765E-07
23Oct17 3.009 0.00090932 0.00091325 5.27539E-07
24Oct17 3.024 0.00090992 0.00090541 2.73203E-07
25Oct17 3.059 0.00092504 0.00091446 5.50231E-08
26Oct17 3.07 0.00093911 0.00093575 7.23396E-08
27Oct17 3.053 0.00093727 0.00094249 2.34585E-07
30Oct17 3.01 0.00091895 0.00093208 7.12686E-07
31Oct17 3.007 0.00090511 0.00090601 4.8555E-07
02Nov17 2.994 0.0009003 0.0009042 6.63309E-07
03Nov17 2.988 0.00089461 0.0008964 6.73724E-07
06Nov17 2.978 0.00088983 0.00089281 8.02913E-07
07Nov17 2.996 0.00089221 0.00088685 4.55355E-07
08Nov17 2.997 0.0008979 0.0008976 5.46207E-07
09Nov17 3.008 0.0009015 0.0008982 4.00921E-07
10Nov17 3.044 0.00091564 0.00090481 1.01482E-07
13Nov17 3.041 0.00092568 0.00092659 2.47087E-07
14Nov17 3.02 0.00091838 0.00092477 4.82611E-07
15Nov17 3.018 0.00091144 0.00091204 3.9447E-07
16Nov17 3.016 0.00091023 0.00091083 4.09366E-07
17Nov17 2.994 0.00090299 0.00090963 7.25166E-07
20Nov17 3.004 0.0008994 0.0008964 4.36666E-07
21Nov17 2.995 0.0008997 0.0009024 6.27361E-07
22Nov17 2.963 0.00088742 0.000897 1.15548E-06
23Nov17 2.963 0.00087794 0.00087794 8.89095E-07
24Nov17 2.973 0.0008809 0.00087794 7.10512E-07
27Nov17 2.96 0.00088001 0.00088387 1.02855E-06
28Nov17 2.963 0.00087705 0.00087616 8.65909E-07
29Nov17 2.984 0.00088416 0.00087794 5.3717E-07
30Nov17 3.008 0.00089759 0.00089043 3.35881E-07
01Dic17 2.995 0.0009009 0.00090481 6.53774E-07
04Dic17 2.987 0.00089461 0.000897 6.97112E-07
05Dic17 2.988 0.00089252 0.00089222 6.27151E-07
06Dic17 2.987 0.00089252 0.00089281 6.49724E-07
07Dic17 3 0.0008961 0.00089222 4.51489E-07
11Dic17 3.007 0.0009021 0.0009 4.29758E-07
12Dic17 3.018 0.00090751 0.0009042 3.29979E-07
13Dic17 2.996 0.00090419 0.00091083 7.05293E-07
14Dic17 3 0.0008988 0.0008976 5.02763E-07
15Dic17 3.087 0.0009261 0.0009 2.0863E-08
18Dic17 3.083 0.00095172 0.00095296 6.47561E-08
19Dic17 3.092 0.00095326 0.00095049 2.18953E-08
20Dic17 3.11 0.00096161 0.00095605 2.60042E-11
21Dic17 3.14 0.00097654 0.00096721 4.86832E-08
22Dic17 3.08 0.00096712 0.00098596 2.5313E-07
26Dic17 3.073 0.00094648 0.00094864 1.06012E-07
27Dic17 3.06 0.00094034 0.00094433 1.82087E-07
28Dic17 3.066 0.0009382 0.00093636 9.80226E-08
29Dic17 3.076 0.0009431 0.00094004 5.6567E-08
Fuente: BCRP
83

Tesis Maestría Salas - Solis

Cargado por

Información del documento

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

Tesis Maestría Salas - Solis

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA ECONÓMICA, ESTADÍSTICA Y CIENCIAS

Impacto de la volatilidad del precio del petróleo en las principales

PARA OPTAR EL GRADO ACADÉMICO DE MAGÍSTER EN CIENCIAS

Agradecemos por su gentil y valiosa colaboración a nuestro asesor de tesis Rafael

I. PLANTEAMIENTO DEL PROBLEMA 13

1.1 Descripción de la realidad problemática 13

1.2 Formulación de los problemas de la investigación 14

1.2.1 Problema General 14

1.2.2 Problemas Específicos 14

1.3 Objetivos de la investigación 14

1.3.1 Objetivo General 15

1.3.2 Objetivos Específicos 15

1.4 Justificación de la investigación 15

II. MARCO TEÓRICO CONCEPTUAL 15

2.1 Antecedentes de la investigación 15

2.2 Bases teóricas de la investigación 20

2.2.1 El petróleo en el contexto nacional e internacional 20

2.2.2 Mecanismos de Estabilización de Precios 28

2.2.3 Instrumentos de gestión del riesgo 34

2.2.3.1 Opciones asiáticas 35

2.2.4 Descripción de métodos 37

2.2.4.1 Movimiento Browniano Geométrico 37

2.2.4.2 Método de Montecarlo 38

2.2.5 Modelos de cálculo estocástico 40

2.2.5.2 Modelo de Cox Ingersoll Ross (CIR) 41

2.2.5.3 Modelo de Heston 41

2.2.6 Calibración del modelo 42

2.2.6.1 Método de máxima verosimilitud (MLE) 43

2.2.6.2 Aplicación de MLE para Vasicek 44

2.2.6.3 Aplicación de MLE al modelo CIR 46

2.2.6.4 Aplicación de MLE al modelo de Heston 47

2.2.7 Valuación de la opción asiática con subyacente promedio 49

III. METODOLOGÍA DE LA INVESTIGACIÓN 50

3.1 Planteamiento de Hipótesis 50

3.2 Diseño y procedimiento 51

4.1 Contrastación de hipótesis general 1 54

4.1.1 Análisis descriptivo de datos y aplicación de modelos 54

4.1.2 Resultados y discusión 61

4.2 Contrastación de hipótesis general 2 64

4.2.1 Análisis descriptivo de datos y aplicación de modelos 64

4.2.2 Resultados y discusión 65

A.1: Test de estacionalidad 74

Anexo B: Prueba de residuos VAR 75

B.1: Prueba de normalidad VAR 75

B.3: Prueba de Heterocedasticidad VAR 76

Anexo C: Prueba de residuos VAR corregido 76

C.1: Prueba de normalidad VAR Corregido 76

C.2: Prueba de Autocorrelación VAR Corregido 76

C.3: Prueba de Heterocedasticidad VAR corregido 77

Anexo D: Descomposición de varianza 77

Anexo E: Codigo Phyton 78

E.1: Cálculo del precio del petróleo 78

E.2: Cálculo de la tasa mediante CIR 78

E.3: Cálculo del precio de la opción 79

Anexo F: Estimación de parámetros por el método de máxima verosimilitud 79

F.1: Estimación de parámetros para la predicción del precio del petróleo 80

F.2: Estimación de parámetros para predecir la tasa libre de riesgo 82

Correlación: Establece la relación o dependencia que existe entre dos variables

Derivado financiero: Instrumento financiero cuyo valor depende de un activo

Descomposición de varianza: Se utiliza para evaluar los efectos directos e indirectos

Fondo de Estabilización de Precios de Combustibles (FEPC): Fondo creado por el

Impulso-respuesta: Método utilizado para determinar la reacción de una variable