ESTABILIDAD Y DINÁMICA DE LA RED DEL MERCADO BURSÁTIL ESPAÑOL

Salvador Rojí Ferrari, srojifer@ccee.ucm.es

Pablo García Estévez, pgestevez@cunef.es
Universidad Complutense de Madrid

RESUMEN:
Estudio de la evolución de algunas propiedades estructurales del mercado bursátil considerado como un grafo o red en continuo cambio. Para ello,
consideramos a los títulos ó sectores como nodos de la red del mercado, y a las correlaciones superiores a un umbral determinado como vínculos, arcos, o
flechas. Comparamos los resultados con los obtenidos en el mercado de EE UU para varios diferentes subconjuntos, y extraemos algunas conclusiones
básicas como paso preliminar para un estudio más completo y complejo.
PALABRAS CLAVE: Grafo del mercado, Ibex 35, teoría de redes, distribuciones de grado y correlación.

1. INTRODUCCIÓN
Un grafo aleatorio consiste en un conjunto de vértices o nudos conectados aleatoriamente con flechas, líneas, arcos
o distancias. A partir del trabajo de Erdös y Reny en los años 50 y 60 (ver Barabasi, 2002, Watts, 2003), la teoría de las
redes ó grafos aleatorios se ha convertido en una subdisciplina matemática que describe propiedades estadísticas. Esta
teoría, en un mundo cada vez más conectado y complejo y, al mismo tiempo, generador de una gran cantidad de conjuntos
de datos, ha cobrado una gran importancia debido a su capacidad de estudiar la estructura de dichos datos representados en
forma de grafos de gran tamaño con la intención de encontrar y estudiar sus propiedades estructurales. Así, y gracias a esta
teoría, se pueden encontrar aplicaciones en campos tan diversos, como la Ecología, la Biología, las ciencias sociales, la
epidemiología, y, como veremos en este trabajo, las finanzas, por medio de estudiar algunos atributos de los grafos que
pueden contener información adicional no estudiada en otros ámbitos. Kauffman y Gil Aluja (1995), Albert y Barabasi
(2002), y Newman, Strogatz, y Watts (2001), nos ofrecen una descripción y análisis formal de los grafos distinguiendo una
gran variedad de ellos.

Los grafos que más nos interesan en este trabajo son los reales. Entre estos grafos o redes, los más comunes en la
sociedad de la información son los llamados masivos. Distinguimos el grafo de llamada, en el que los vértices son números
telefónicos, y los arcos, llamadas telefónicas entre dos números. El grafo de red, en el que los vértices son documentos y los
arcos son vínculos (Links/ URLs) que llevan desde un documento a otro; el grafo de Internet, donde los vértices son
dominios o routers, y los arcos, los cables de la red física. Por último, tenemos los de colaboración, que poseen una
estructura bipartita, es decir, existen dos tipos diferentes de vértices, y los arcos van desde un tipo de vértice hacia el otro,
por ejemplo, los consejeros de diferentes consejos de administración, ó los profesores a tiempo parcial en varios centros de
enseñanza.

Estos grafos poseen unas características que, hasta hace poco tiempo se suponía que se correspondían con las de la
teoría clásica de los grafos aleatorios uniformes de Erdös y Reny. Los grafos más importantes son el modelo G(n, m), donde
se asigna la misma probabilidad de vínculo a todos los grafos con n vértices ó nodos y m arcos, vínculos, ó flechas, y el
modelo G(n, p), en el que se escoge la unión de cada par de vértices de una manera aleatoria e independiente con
probabilidad p. Los modelos de grafo reales definidos en el anterior párrafo se consideraron que representaban grafos
aleatorios uniformes hasta que se descubrieron algunas características ajenas a la de los grafos aleatorios (Barabasi, Albert,
(2002); Hayes, (2000); Watts, Strogatz, (1999); Mantegna, Stanley, (2000); Boginski et al, (2003); Newman et al, (2001); y
Johnson, Jefferies y Ming Hui (2003). Distinguimos entre estas características a la distribución de grado de los vértices, la
dirección de algunas redes (internet), y la generación de “clusters” ó aglomeraciones.

Así tenemos que la distribución de los grados ó número de vértices de un grafo aleatorio uniforme sigue una
distribución Poisson, poseyendo la característica de un pico destacado, e indicando una homogeneidad de vínculos para la
mayoría de los vértices, disminuyendo rápidamente su distribución. En otras palabras, que la media es la norma. Sin
embargo, en muchos grafos observados en el mundo real, la distribución no es la Poisson, sino que sigue una ley potencial
(Barabasi, 2002; Aiello, et al, 2001). Por ejemplo, la distribución de los vértices ó nodos de internet tiene una distribución

0
muy sesgada hacia la derecha y con unos extremos altamente gruesos, que definen tal ley potencial. Veremos también que la
distribución de las correlaciones de las rentabilidades de los títulos e índices bursátiles sigue el mismo patrón.

Tampoco los modelos aleatorios pueden asumir la propiedad de la aglomeración ó “clustering”, común en los
grafos masivos reales. Es decir, la probabilidad, definida como coeficiente de aglomeración ó “clustering”, de que dos
vértices dados estén conectados es superior si estos vértices poseen un vecino común (es decir, un vértice que está
conectado a través de un arco con estos dos vértices). En los grafos aleatorios, éste coeficiente coincide con la probabilidad
p del modelo G(n, p) ya comentado, debido a la aparente independencia de los demás vértices. Sin embargo, en muchos
grafos masivos observables en el mundo real, como internet, éste coeficiente es superior que el parámetro p de los grafos
aleatorios uniformes (Borginski, Butenko, Pardalos, 2003). Watts y Strogatz (1998) definen el coeficiente de aglomeración
ó clustering, adaptado por Newman, Strogatz, y Watts (2001) como:

C= 3 × nº de triángulos / nº de triples conectados de vértices,

Representando los triángulos tríos de vértices conectados totalmente entre sí, mientras que los triples conectados
son tríos en los que al menos uno está concertado con los otros dos.

Un grafo no direccional simple está formado por un conjunto de n vértices V, y otro de arcos E. Así, por ejemplo,
si n= 4, tal que V= [1, 2, 3, 4], y están todos conectados, entonces, E= [(1, 2), (1, 3), (1, 4), (2, 3), (2, 4), (3, 4)]. Si los nodos
no estuvieran totalmente conectados, entonces, el grafo puede descomponerse en subgrafos totalmente conectados. Dado un
subconjunto S ⊆ V, tal que G(S), entonces nos referimos a un subgrafo inducido por S, de tal manera que G(S)= (S,
E ∩ SxS).

Volvamos al modelo de grafo de poder potencial. Bogonski, et al (2003), Barabasi (1999), y Aiello et al (2001) han
estudiado sus propiedades tales que, en su distribución simplificada, si y es el nº de nodos con grado x, entonces, y = eα / xβ,
y tomando logaritmos, log y = α − β log x. Es decir, que la representación de la relación entre y y x puede darse como una
línea recta en una escala log log, siendo − β la pendiente, y α, el cruce con la abscisa. La razón para incluir un corte
exponencial es debida tanto a la observación de la existencia de este corte en muchos grafos reales (Newman et al, sin
fecha) como a la normalización de la distribución al tomar logaritmos, para todo tipo de β. Ha quedado ampliamente
demostrado que, cuando β<1, entonces, se puede considerar un gráfico conectado a.a.s. (asymptotically almost surely), es
decir cuando la probabilidad de que un grafo aleatorio de n vértices tenga una propiedad determinada tiende a la unidad,
cuando n tiende al infinito.

2. ESTRUCTURA DEL GRAFO DEL MERCADO BURSÁTIL

Se considera que el proceso económico es altamente impredecible, enraizado en un conjunto muy complejo de
interacciones que se llevan a cabo detrás del marco del mercado. Estas interacciones conforman lo que ha venido en
llamarse sistemas "adaptativos" complejos que no son otra cosa que mercados abiertos (Kochugovian y Vriend, 1998;
Arthur, B., et al, 1997; Bak, P. et al, 1997; LeBaron, B. (2001), siendo la teoría de grafos y de redes una herramienta
indispensable para describir dichos sistemas complejos. Si consideramos al sistema financiero también como un tipo
especial dentro de la familia de sistemas adaptativos complejos (Arthur B. et al, 1996; Mauboussin, M., 2002), Johnson,
Jefferies y Ming Hui (2003)), entonces, podemos extraer algunas características de este mercado a través de la utilización de
la teoría de redes.

En nuestro trabajo vamos a analizar dos propiedades estructurales y dinámicas del Ibex 35 comparándolas también
con las de los 15 subsectores en que se divide el mercado español. Para ello, asumimos que cada título bursátil se puede
representar por un vértice o nodo, de tal manera que dos vértices están conectados por un arco ó vinculo si el coeficiente de
correlación de cada par de títulos bursátiles durante un determinado periodo de tiempo es superior a un umbral determinado.
Partimos del trabajo seminal de Boginski, Butenko, y Pardalos (2003) sobre las propiedades estructurales del grafo del
mercado bursátil de EE UU, en el que utilizaron 6.546 diferentes títulos bursátiles cotizados en todas las bolsas de dicho
país durante 500 días. En dicho estudio, se generó un grafo de enormes dimensiones con millones de arcos descubriéndose

1
unas propiedades no correspondientes en su totalidad con las propias de las redes aleatorias. Basándonos en los resultados
obtenidos, nuestra intención consiste en agrupar y clasificar los títulos bursátiles en diferentes grupos, con la finalidad de
entender mejor la estructura de los mercados de capitales.

Las propiedades estadísticas de la matriz de correlaciones de las rentabilidades han sido estudiadas desde la
literatura económica desde los tiempos de Markowitz en los años cincuenta, y últimamente desde la Econofísica,
especialmente la relación entre los vidrios de espín y la teoría de redes con la matriz de varianzas (Galluccio et al, 1998;
Gabor y Kondor, 1999; Laloux et al, 1999; Mantegna y Stanley, 2000; Onnela et al (2002 y 2003), con objetivos diferentes.
Así, para la investigación económica, el objetivo principal consiste en determinar el número de factores que intervienen en
el mercado financiero utilizando la teoría APT de Ross. Desde la Econofísica, se investigan valores superiores a los
esperados según la teoría de matriz aleatoria. Este trabajo pretende introducirnos en la teoría de redes aplicada a los
mercados financieros e investigar y describir algunas características que dicha teoría nos señala.

Al ser el coeficiente de correlación el factor clave que define los arcos del grafo o red, vamos a realizar un estudio
comparativo entre los 15 diferentes subsectores en que se divide el mercado bursátil español y los 35 títulos del Ibex,
considerando ambos como dos grafos de mercado, de tal manera que cada subsector y cada título fuesen cada uno un vértice
o nodo. La razón para analizar estos dos grupos reside en que la generación del grafo del mercado de valores se basa en
vínculos generados por coeficientes de correlación superiores a un umbral determinado, y al generarse una alta correlación
entre los títulos que conforman cada subsector, se puede partir de estos subsectores como si fuesen grandes vértices o hubs
conectados entre ellos a través de coeficientes de correlación. Es decir, se trata de crear, no una red de títulos-nodos, sino de
subsectores-hubs, estudiar sus características estructurales y dinámicas, y compararlas con la red de títulos-nodos del Ibex
35.

La razón para ello consiste en que empresas de un mismo sector podrían considerarse como parte de una misma
“empresa” ó eje debido a sus altas correlaciones ó “vínculos” a través de una supuesta competitividad dentro de cada sector
y otras características propias de cada sector, de tal manera que sus rentabilidades “van al unísono” y, por lo tanto, definen
niveles de eficiencia empresarial. Por ejemplo, en el estudio del Ibex 35, observamos una densidad de vínculo superior entre
empresas del sector bancario que entre éste sector y las demás empresas, pudiéndose formar cubos o ejes (hubs) dentro de la
red.

Boginski et al (2003) utilizan en su estudio una gran generalidad de “instrumentos” financieros que incluye fondos
cotizados en bolsa, algunos de los cuales mimetizan índices sectoriales, espaciales, internacionales, etc. Sin embargo, no
especifican la inclusión o no de híbridos, renta fija, derivados, etc. Aunque en la teoría de redes, los aspectos cualitativos de
cada nodo son irrelevantes, sí conviene considerar algunos aspectos que pueden influir en la dinámica y estructura de la red
o grafo. Así, y con respecto a los títulos independientes, se generan obviamente grandes nodos o grupos de nodos ó hubs,
principalmente entre empresas del mismo sector y, por lo tanto, encubriendo o ensombreciendo otros subconjuntos
intersectoriales dinámicos que podrían existir, y cuyo conocimiento podría ayudar a los analistas financieros, y a los
gestores de cartera a optimizar su distribución. Es decir, crear carteras realmente diversificadas para conjuntos
independientes, es decir, sin vínculos, I ⊆ V, ó carteras con títulos con vínculos intersectoriales ó, incluso cliques, es decir,
con todos los vínculos posibles, C ⊆ V, dependiendo de la estrategia elegida.

3. CONSTRUCCIÓN DE LOS GRAFOS DEL MERCADO

Calculamos las correlaciones cruzadas entre cada par de subsectores con base a las rentabilidades diarias de éstos
definidas como Ln[Pi(t) / Pi(t − 1)] siendo Pi (t) el precio ponderado del subsector i en el dia. El periodo considerado
completa el año 2002. Damos diferentes valores a un umbral θ tal que −1 ≤ θ ≤ 1 define un arco si el correspondiente
coeficiente de correlación Ci, j entre los nodos i y j es superior que dicho umbral. Al variar los valores de θ, entonces, se
generan distintos grafos de mercado con diferentes conjuntos de arcos dependiendo de si los sucesivos coeficientes de
correlación son superiores o no a dicho umbral. Al incrementarse el umbral, el número de arcos que conecta al grafo
disminuye.

2
 Figura nº 1. Distribución de correlación de los 15 subsectores del mercado bursátil

Podemos observar en el gráfico que la distribución de los coeficientes de correlación de los 15 subsectores del
mercado es bastante asimétrica con un sesgo hacia la derecha en torno a un 35%. Esto contradice los resultados sobre la
distribución de los títulos bursátiles en el estudio de Boginski et al (2003), donde muestran los resultados de las
correlaciones entre los títulos bursátiles norteamericanos, con una casi simetría alrededor del 0,05, y con una campana
similar a la de una distribución normal. La interpretación es que, al ser la mayor parte de las correlaciones de parejas de
títulos cercanas a cero, la estructura del mercado de capitales es substancialmente aleatoria y, por lo tanto, llegar a la
suposición de que los precios de la mayoría de los títulos varían independientemente. Sin embargo, en nuestro análisis de
los 15 subconjuntos, encontramos que existe una correlación superior entre ellos que la que se obtiene si los nodos fuesen
títulos independientes del mercado norteamericano, aunque, como veremos más adelante, inferior que los títulos incluidos
en el Ibex 35 e, incluso, inferior que la del índice S&P 500.
También podemos observar que el número de nodos o arcos en el gráfico del mercado basado en los 15 subsectores
decrece al incrementarse el umbral.

Figura nº 2 Densidad de vínculo del grafo del mercado para diferentes valores del umbral de correlación

Es decir, que la densidad de vínculo, como podemos observar en el gráfico, disminuye con respecto a θ. La
densidad de vinculo representa la tasa del número de vínculos reales del grafo con respecto al máximo número posible de
vínculos que pueda tener el grafo. Es lógico que, al considerar como vínculo aquella correlación superior a un umbral
determinado, el nº de vínculos definidos como tales disminuye al incrementarse el umbral y, por lo tanto, disminuya la
densidad de vínculo. Es decir, si llamamos n al número máximo de vértices del grafo de los 15 subsectores, entonces, el
número máximo es n × (n − 1)/2 ó 105. Sin embargo, en contraposición al estudio de Boginski et al (2003) sobre más de
6500 instrumentos financieros en EE UU, y otros grafos reales (Barabasi 2002), la densidad de vínculo no decrece tan
exponencialmente al incrementarse el umbral de vínculo, sino que decrece con una concavidad mucho más moderada.
Como se puede observar en la figura nº 1, al variar el número de vínculos, el número de nodos con tales vínculos disminuye
según una distribución potencial, y no normal, como sería el caso si el grafo tuviese una estructura de vinculo totalmente
aleatoria. Esta característica sí se observa en el trabajo de Boginski et al (2003), mostrando gráficamente, por lo tanto, el
carácter de red potencial del mercado norteamericano.

3
 Calculamos también las correlaciones cruzadas entre pares de títulos bursátiles del Ibex 35 desde enero 2002 hasta
julio 2003 (general). Posteriormente generamos cuatro tramos o periodos de un año completo con fecha en enero (tramo I),
marzo (tramo II), mayo (tramo III), julio (tramo IV), y trazamos las distribuciones de los coeficientes de correlación de estos
cinco diferentes periodos. De esta manera, podemos observar los cambios estructurales que se generan en el gráfico de
mercado al variar en pequeños intervalos la población a estudiar y acercar dichos intervalos al momento actual..
Las distribuciones de los coeficientes de correlación (figuras 4-8) muestran un sesgo hacia la derecha entre los
pares de títulos, con una media de alrededor de un 50% en el tramo I disminuyendo lentamente en los demás tramos hasta
un 40% en el tramo IV. También se puede observar visualmente una ligera disminución de la frecuencia de correlaciones
negativas entre los tramos I y IV. Utilizando los máximos y mínimos correspondientes al primer y último tramo tenemos
que los primeros permanecen constantes alrededor de 0,94, mientras que los mínimos reflejan una disminución entre –0,44
al –0,38. Esta tendencia ha sido también observada por Mantegna y Stanley (2000) en su estudio sobre el S&P 500 en el
periodo 1990-1994, donde los valores mínimos de las correlaciones disminuyen desde un –0,30 en 1990 hasta un –0,25 en
1994, permaneciendo relativamente constantes los valores máximos alrededor de 0,81, aunque con una disminución
significativa en los años intermedios. Sin embargo, en su estudio del DJIA en el mismo periodo descubren que el mínimo se
incrementa desde un 0,02 hasta un –0,06, mientras que el máximo disminuye drásticamente entre 0,73 y 0,51. Estos valores
extremos, sin embargo, no ofrecen realmente mucha información, al poder estar sujetos a desviaciones atípicas. El
coeficiente de asimetría de 5,98 positivo y alto nos indica que la distribución se alarga bastante para valores mayores que la
media.
Por otro lado, comparando las correlaciones entre los pares de títulos de los tres estudios observados: 6546
instrumentos financieros durante 500 días (Boginski et al, 2003), S&P 500 y DJIA, durante los años 1990-1994, y los
resultados obtenidos en nuestro estudio, tanto para las correlaciones de los 15 subsectores como para el Ibex 35 en sus
diferentes tramos observamos que existe una correlación muy superior entre los valores españoles. Como hemos dicho
previamente, la distribución de los 15 sectores es ligeramente menos sesgada alrededor de un 40%. Podemos observar que
las distribuciones de las correlaciones para los once tramos estudiados en el trabajo de Boginski con más de 6500
instrumentos, tienen una estructura similar independientemente del periodo estudiado, con una correlación de casi todos los
pares de subsectores cercano a cero, con un pequeño sesgo hacia la derecha alrededor de un valor de 0,05 y una forma
similar a una distribución normal, señalando que, por lo tanto, la estructura del mercado de capitales es bastante, pero no
totalmente aleatoria.
Mantegna y Stanley (2000), sin embargo, en sus estudios del S&P, encuentran un sesgo muy superior alrededor de
un 30% en el año 1990 y 20% en 1994. Las diferencias observadas pueden ser debidas, no tanto a la veracidad estadística
que se pudiese inferir de utilizar una mayor cantidad de datos en el trabajo de Bokinski como a que los índices bursátiles
representan el resultado de una selección basada en ciertas variables históricas como son la capitalización, resultados, etc.,
de tal manera que sus títulos poseen unos vínculos mostrados a través de una correlación más alta y más próxima a la
observada en el mercado español. Aunque en su estudio, Mantegna y Stanley no incluyen los resultados del DJIA, sí nos
dan un cuadro con los max/min de ambos índices, de tal manera que el máx y el min del DJIA son inferiores que el de S&P.
En definitiva, la distribución de los coeficientes de correlación es, en el mercado español bastante alta y relativamente
estable, en comparación con el estudio general de 6500 instrumentos estadounidenses, aunque se acerca más a los resultados
de los índices bursátiles del mismo país.
Calculemos seguidamente la segunda característica global del grafo del mercado, la distribución de grado, para
testar la hipótesis de su estabilidad. La distribución de grado representa el número de vínculos superiores a un umbral
determinado por parte de los diferentes títulos bursátiles. Así, en la ordenada se sitúa el número de vértices ó títulos, y en la
abscisa, el número de vínculos. Si el umbral se sitúa demasiado bajo, entonces, el número de vínculos se dispara. Sin
embargo, para un umbral relativamente alto, θ = 0,5, el modelo del grafo del mercado pudiera venir representado por una
ley potencial (Barabasi, (2002), Boginski (2003). La distribución de grado empleada en nuestro trabajo sustituye el número
de vínculos por el porcentaje acumulado de éstos, mostrando, también que, al menos, su distribución no es aleatoria.
Veamos si es estable Para ello, calculamos la distribución de grado para cada uno de los diferentes periodos considerados,
con base a un umbral de 0,5 (gráficos 9-12). Podemos observar que la pendiente negativa ó β es moderadamente negativa,
aunque al incrementarse el porcentaje acumulado de grado, su pendiente cae vertiginosamente. Como observamos más
arriba, cuando β < 1, entonces, se puede considerar un gráfico conectado a.a.s. En el estudio comparativo dinámico temporal
entre tramos vemos que se incrementa ligeramente al variar los tramos y acercarnos al tiempo presente, pero dentro de una
estabilidad parecida a la observada con la distribución de correlaciones.
Esta estabilidad con pequeños cambios en la estructura del mercado bursátil puede ser también analizada al estudiar
la densidad de vínculo para cada sucesivo tramo ó periodo. Para ello utilizamos dos umbrales determinados, 0,5 y 0, 75,
observando que el número de vínculos se incrementa al acercarnos al tiempo actual con relación al máximo número posible
de vínculos del grafo ó n × (n −1) / 2, donde n representa el número de vértices ó nodos en el grafo, en nuestro caso, (33 x

4
32) / 2 = 528 vínculos posibles (eliminamos dos empresas del estudio, Arcelor y Enagas debido a su salida a bolsa posterior
al periodo considerado en el estudio). Así, la densidad de vínculo del último periodo para el umbral del 50% es ligeramente
inferior que la del primero, y mucho más inferior que la del primer periodo cuando el umbral de vínculo es del 75% - la
densidad de vínculo (edge density) de un grafo viene definida por la tasa del número de vínculos, arcos ó flechas de un grafo
ó red con respecto al máximo posible de vínculos. Los resultados muestran una tendencia que refleja una menor
interconexión entre los diferentes títulos bursátiles del Ibex 35, en contraposición con los resultados encontrados en los otros
estudios de referencia.

Tabla 1
Vínculos al umbral Vínculo al umbral
Periodo Densidad de Vínculo Densidad de Vínculo
50% 75%
Enero 171 0, 324 56 0,106
Marzo 173 0,328 52 0,098
Mayo 163 0,290 41 0,078
Julio 156 0,295 35 0,066

En el trabajo de Boginski et al (2003), la densidad de vínculo se incrementa gradualmente entre el primer tramo y
el último. Los autores interpretan estos resultados como el efecto de la globalización de los mercados de capitales, de tal
manera que hoy en día existen cada vez más títulos bursátiles que afectan la conducta de otros y son afectados por éstos, con
el resultado que la estructura del mercado sea cada vez menos aleatoria. En nuestro estudio, la densidad de vínculo
disminuye un 8,9% en el umbral del 50%, y un 37,7% en el umbral del 75%. Podemos adelantar algunas interpretaciones.

3. CONCLUSIONES
Por un lado y paradójicamente, una menor interconexión entre los títulos del Ibex 35 podría deberse a un
incremento de la conexión entre todos los títulos financieros que se comercializan en los mercados organizados, de tal
manera que cause una disminución de conexión entre los títulos de este selecto grupo, y que dicha conexión vaya
reduciéndose al incrementarse la globalización. Es decir, que la tendencia sea un incremento de la interconexión global y
una disminución de la interconexión selectiva. Esta interpretación se asemeja a la que puede darse cuando comparamos dos
grupos de individuos, uno en un entorno aislado y otro en una ciudad abierta, en la que los vínculos del grupo cerrado se
debilitan al entrar en un entorno mucho más complejo.
Seria interesante observar la progresión de la densidad de grado de los índices S&P 500 y el DJIA en los últimos
años. Desgraciadamente, no poseemos dicha información, aunque sí tenemos la evolución de la distribución de los
coeficientes de correlación entre 1990 y 1994 (Mantegna y Stanley, 2002) donde, como ya hemos comentado previamente,
se da una reducción de la dispersión en las correlaciones negativas y una reducción de la media alrededor desde 0,35 hasta
0,2 en el S&P 500 (de la misma manera que también se reduce en el Ibex 35). Esto se podría interpretar como un
acercamiento a la media del estudio de 6.540 títulos llevado a cabo por Boginski et al (2003) en el que los valores de los
coeficientes de correlación giran en torno a un 0,05, pudiéndose inferir que tal disminución de los coeficientes de
correlación es debido a una mayor interconexión general de todo el mercado financiero que hace que disminuya la
interconexión selectiva de los índices.
Por último, nos podemos preguntar qué nodo o título tiene el mayor grado ó número de vínculos con otros títulos y
observar su evolución. Dicho título sería aquel más correlacionado con el mercado y reflejaría la conducta de éste.
Basándonos únicamente en el último tramo, y utilizando como umbral definido de vínculo a 0,50 encontramos que las
empresas con más nodos son ACS, Unión Fenosa, y TPI, cada una con un total de 22 conexiones ó vínculos cada una, sin
encontrar ninguna explicación a este resultado.
En resumen, hemos estudiado diferentes características de la estructura del mercado y su evolución en el tiempo
utilizando la teoría de redes. Las conclusiones son que la estructura de ley potencial es estable con un incremento en la
densidad de vinculo al estudiar periodos más actuales, mostrando una tendencia hacia la globalización e incremento de la
interconexión de la economía, y a una disminución de la interconexión entre subredes tipo índices bursátiles. En el futuro se
podría hacer un análisis de conglomerados ó clustering, no-solo en el sentido de redes, sino estadístico, métodos de
agrupamiento, medidas de distancia. También se podrían buscar, utilizando métodos de búsqueda NP hard, conjuntos
independientes que representen completamente la cartera diversificada, o cliques tales que definan el conjunto de títulos
cuyas fluctuaciones en los precios muestren similares conductas.

5
Figura nº 3. Distribución de correlaciones del Ibex 35 (general)

Figura nº 4 Distribución de correlaciones (tramo I)

Figura nº 5 Distribución de correlaciones (tramo II)

6
Figura nº 6 Distribución de correlaciones (tramo III)

Figura nº 7 Distribución de correlaciones (tramo IV)

Figura nº 8 Distribución de grado (tramo I)

7
 Figura nº 9 Distribución de grado (tramo II)

Figura nº 10 Distribución de grado (tramo III)

Figura nº 11 Distribución de grado (tramo IV)

8
Figura nº 12 Dinámica de crecimiento de la densidad de vínculos del grafo del mercado en los cuatros tramos
considerados para un umbral del 50%

Figura nº 13 Dinámica de crecimiento de la densidad de vínculos del grafo del mercado en los cuatros tramos considerados
para un umbral del 75%

BIBLIOGRAFÍA

Aiello, W., Chung, F., Lu, L., (2001): “A Random Graph Model for Power Law Graphs”, Experimental Math, 10.
Albert, R., Barabasi, A-L., (2002): “Statistical Mechanics of Complex Networks”, Reviews of Modern Physics 74.
Arthur, B., Holland, J., LeBaron, Palmer, R., Tayler, P., (1997): “Asset Princing Under Endogenous Expectations in an Artificial Stock Market”, en: Arthur, B., Durlauf, S.,
Lane, D., The Economy as an Evolving Complex System II. Reading, MA: Addison-Wesley.
Arthur, B., Durlauf, S., Lane, D., (1997): The Economy as an Evolving Complex System II. Reading, MA: Addison-Wesley.
Bak, P., Pczuski, M., y Shubik, M., (1997): “Price Variations in a Stock Market with Many Agents”, Physica A 246.
Barabasi, A-L., Albert, R. (1999): “Emergence of Scaling in Random Networks”, Science 286.
Barabási, A-L. (2003): Linked, Penguin Ed., NY.
Gabor, A. Kondor, I. (1999): “Portfolios with Nonlinear Constraints and Spin Glasses”, Physica A, 274.
Galluccio, S., Bouchaud, J.P., Potters, M. (1998): “Rational Decisions, Random
Matrices, and Spin Glasses”, Physica A 259.
Hayes, B., (2000): “Graph Theory in Practice”, American Scientist, 88.
Johnson, N., Jefferies, P., Ming Hui, P. (2003): Financial Market Complexity, Cap. 5, apartado 8.2, Oxford U. Press.
Kaufmann, A, Gil Aluja, J. (1995): Grafos neuronales para la economía y la gestión de empresas, Pirámide, Madrid.
Kochugovindan, S., y Vriend, N. (1998): “Is the Study of Complex Adaptive Systems Going to Solve the Mystery of Adam Smith´s “Invisible Hand”?, The Independent Review,
v. III, nº 1, verano.
Laloux, L., Cizeau, P., Bouchaud, J.P., Potters, M. (1999): “Noise Dressing of Financial Correlation Matrices”, Physical Review Letters, 83, # 7.
LeBaron, B. (2001): “A Builder´s Guide to Agent Based Financial Markets”, Quantitative Finance, vol. 1, nº 2, pp. 254-261.
Mantegna, R. y Stanley, E., (2000): An Introduction to Econophysics. Correlations and Complexity in Finance. Cambridge U.Press.
Mauboussin, M. (2002): “Revisiting Market Efficiency: The Stock Market as a Complex Adaptive System”. Journal of Applied Corporate Finance, 14, #4.
Newman, M., Strogatz, S., Watts, D. (2001): “Random Graphs with Arbritary Degree Distribution and their Applications”, Physics Review E64.
Onnela, J-P., Chakraborti, A., Kaski, K., Kertész, J. (2002): “Dynamic Asset Trees and Portfolio Analysis”, Physica A.
Watts, D. (2003): Six Degrees, Vintage, Random House, Londres.
Watts, D., Strogatz, S. (1998): “Collective Dynamics of “Small-World” Networks, Nature, 393.