Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
2
Contenido
LISTA DE TABLAS 6
LISTA DE GRÁFICAS 6
LISTA DE ILUSTRACIONES 7
GLOSARIO DE TÉRMINOS 8
ABSTRACT 9
RESUMEN 10
INTRODUCCIÓN 11
3
2.2.5.1 Modelo de Vasicek 40
IV RESULTADOS Y DIAGNÓSTICO 53
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
4
B.2: Prueba de Autocorrelación VAR 75
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.
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.
10
INTRODUCCIÓN
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.
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).
12
I. PLANTEAMIENTO DEL PROBLEMA
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.
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.
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).
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).
¿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.
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)
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.
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.
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.
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.
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.
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.
20
Fuente: British Petroleum (2019) Elaboración: Propia
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).
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
Fuente: MINEM
Gráfica 8: Participación de las fuentes en la oferta interna bruta de energía primaria 2018
23
Fuente y Elaboración: MINEM
Demanda interna de combustibles
24
Gráfica 10 :Participación por sectores en el consumo final de energía 2018
Fuente: MINEM
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
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
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”.
Inflación
Balanza Comercial
27
Equilibrio Fiscal
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.
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
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
29
Fuente: Adaptado de Osinergmin
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.
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
Gráfica 16 : Costo fiscal del FEPC, y gasto por función en educación y salud
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)
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:
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.
32
política que llevó al fin de la cobertura petrolera del país e investigaciones a funcionarios
del Banco Central y de la Junta Monetaria.
- 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.
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.
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
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).
(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.
Opciones
(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.
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).
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.
- 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).
Este modelo es ampliamente utilizado tanto para procesos financieros como para
precios de acciones, asimismo es usado como punto de referencia para modelos
complejos.
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
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):
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.
38
𝑀
1
𝐸(𝐺(𝑥)) ≈ ∑ 𝐺(𝑋𝑖 ) (3)
𝑀
𝑖=1
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
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
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.
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.
El modelo CIR supone que la dinámica del tipo de interés esta dado por la siguiente
ecuación diferencial estocástica (Cox, Ingersoll y Ross,1985):
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.
𝑊𝑡 = Movimiento Browniano.
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.
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):
41
𝜎= Volatilidad asociada a 𝑣𝑡 .
𝜃= Media de largo plazo de las volatilidades
𝑘 = Velocidad de reversión de 𝑣𝑡 a su media 𝜃
𝑊𝑡 = Movimiento Browniano.
[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:
1 ( 11 )
𝑑ln (𝑆𝑡 ) = (𝜇 − 𝑣𝑡 ) 𝑑𝑡 + √(1 − 𝜌2 )𝑣𝑡 𝑑𝑊𝑠 (𝑡)+ 𝜌√𝑣𝑡 𝑑𝑊𝑣 (𝑡), 𝑡 ∈ [0, 𝑇]
2
Donde:
𝑊2 (𝑡) = 𝑊𝑣 (𝑡)
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.
=∏𝑛𝑖=1 𝑓(𝑥𝑖 ; 𝜔) ( 12 )
𝜕𝐿(𝜔) ( 14 )
=0
𝜕𝜔
43
1 (𝑥−𝑢)2
−
𝑓 (𝑥; 𝑢, 𝜎 2 ) = 𝑒 2𝜎 2
√2𝜋𝜎 2
𝑛 𝑛 1 ( 15 )
𝐿(𝜔) = - 𝑙𝑜𝑔(𝜎 2 ) − 𝑙𝑜𝑔(2𝜋)- ∑𝑛𝑖=1(𝑥𝑖 − 𝑢)2
2 2 2𝜎 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
𝜕 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
44
La solución continua se expresa de la siguiente forma:
𝑡
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:
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):
𝜎2
𝑉𝑎𝑟[𝑟𝑡𝑖 ]= (1 − 𝑒 −2𝑘𝑑𝑡 )
2𝑘
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 )
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
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
1 ( 27 )
𝑢𝑠𝐿𝑁 (𝑡) = 𝑙𝑜𝑔 𝑚𝑠 (𝑡) − (𝜎𝑠𝐿𝑁 (𝑡))2
2
𝑣𝑠 (𝑡) ( 28 )
(𝜎𝑠𝐿𝑁 (𝑡))2 = log (1 + )
𝑚𝑠 (𝑡)2
donde:
1
𝑣𝑡𝑖−1 (𝑡𝑖 ) = 𝜎 2 ( 𝑘𝐵(𝑡𝑖−1 , 𝑡𝑖 )2 𝜃 + (𝐵(𝑡𝑖−1 , 𝑡𝑖 ) − 𝑘𝐵(𝑡𝑖−1 , 𝑡𝑖 )2 )𝑟𝑡𝑖−1 )
2
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
1 1
𝑑 √𝑣𝑡 = 𝑑𝑣𝑡 − 𝑑𝑣𝑡 𝑑𝑣𝑡 ( 30 )
2√𝑣𝑡 8√𝑣 3 𝑡
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:
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
𝜎2
√𝑣𝑘 ~𝑁(𝑚𝑘−1 , 𝛿)
4
1 1
𝑚𝑘−1 = √𝑣𝑘−1 + [𝑘𝜃 − 𝑘𝑣𝑘−1 − 𝜎 2 ] 𝛿
2√𝑣𝑘−1 4
Donde:
1
𝑑ln (𝑆𝑡 ) − (𝜇 − 𝑣𝑡 ) 𝑑𝑡
𝑑𝑊1 (𝑡) = 2
√𝑣𝑘
𝑑𝑣𝑡 − 𝑘 (𝜃 − 𝑣𝑡 )𝑑𝑡
𝑑𝑊2 (𝑡) =
𝜎√𝑣𝑡
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
𝑑𝑆𝑡
= 𝑟𝑡 𝑑𝑡 + 𝜎𝑑𝑊𝑆,𝑡
𝑆𝑡
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.
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).
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
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
Hipótesis general
Existe un impacto del precio internacional del petróleo sobre la inflación no subyacente
y equilibrio fiscal.
Hipótesis específicas
50
Primera hipótesis específica:
Existe un impacto significativo del precio internacional del petróleo sobre la inflación no
subyacente.
Existe un impacto significativo del precio internacional del petróleo sobre el equilibrio
fiscal.
Hipótesis General 1: Existe un impacto del precio internacional del petróleo sobre
la inflación no subyacente y el equilibrio fiscal.
51
• Segundo, se realizará un diagnóstico de los residuos del VAR para evaluar los
supuestos de normalidad, heterocedasticidad y autocorrelación.
Elaboración: Propia
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:
IV RESULTADOS Y DIAGNÓSTICO
53
4.1 Contrastación de hipótesis general 1
4.1.1 Análisis descriptivo de datos y aplicación de modelos
Precio Internacional de petróleo: Medido como % de variación del Precio del petróleo
crudo WTI, la información fue obtenida del informe de British Petroleum.
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:
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”.
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.
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:
55
Fuente: Cálculo utilizando el paquete estadístico Eviews
Planteamiento de Hipótesis:
Ho: La serie es no estacionaria. Tiene Raíz unitaria
H1: La serie es estacionaria
56
Fuente: Paquete estadístico Eviews
Por tanto, se estimará el modelo VAR con las variables estacionarias en primeras
diferencias.
Gráfica 19: Comportamiento de las variables en primeras diferencias
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.
57
Fuente: Paquete estadístico Eviews
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).
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.
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%).
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%).
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.
59
Fuente: Paquete estadístico Eviews
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.
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.
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.
62
Fuente: Cálculo utilizando el paquete estadístico Eviews
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%.
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.
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:
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
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.
65
Gráfica 27: Simulación de Montecarlo de la volatilidad respecto al tiempo
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:
Estimación de parámetros
n 250
dt 0.00400
221.35353
3.12%
0.00061
0.02464
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:
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:
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:
El total anual para cada concepto, así como el valor neto (Total a pagar por el Fondo),
se muestra en la siguiente tabla:
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
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.
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.
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
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
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
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.
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
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
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:
https://www.econjournals.com/index.php/ijeep/article/view/4521
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
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
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
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:
https://www.econjournals.com/index.php/ijeep/article/view/4521
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
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
Fuente: Eviews
Fuente: Eviews
Fuente: Eviews
74
Anexo B: Prueba de residuos VAR
Fuente: Eviews
Fuente: Eviews
75
B.3: Prueba de Heterocedasticidad VAR
Fuente: Eviews
Fuente: Eviews
Fuente: Eviews
76
C.3: Prueba de Heterocedasticidad VAR corregido
Fuente: Eviews
77
Anexo E: Codigo Phyton
78
E.3: Cálculo del precio de la opción
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
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
Fuente: BCRP
83