16 Modelo para IGBVL

“LOS PRECIOS DE COMMODITIES COMO VARIABLES
EXPLICATIVAS DE LA EVOLUCIÓN DE LOS ÍNDICES –

GENERAL Y SELECTIVO - DE LA BOLSA DE VALORES DE
LIMA, EN EL PERIODO ENERO 1996 – ABRIL 2008”
AUTOR : Aldo Martín Esquivel Quiñe
Trujillo - Perú
2009
RESUMEN
En la presente investigación se pretende comprobar que nuestro mercado de valores,

representado en nuestra Bolsa de Valores de Lima (BVL), tiene como importantes
determinantes a commodities como el petróleo, el oro y el maíz, que se negocian
fluidamente en mercados externos, propios de economías desarrolladas. Esto implica que
los factores subyacentes a los índices de nuestra BVL son externos más que internos. Si
bien, el modelo a definir parecería ir en contra de la teoría de Mercados Eficientes,
desarrollada por Eugene Fama, es importante resaltar que esto bien correspondería en
primer lugar solo a niveles de eficiencia mayores y en segundo lugar, el modelo es
explicativo de los hechos y no predictivo de ellos. Se encontrará que el modelo, a pesar
de su simpleza, resuelve nuestro dilema de ser el oro, el petróleo y el maiz, variables
explicativas tanto del Índice General como del Índice Selectivo de la BVL, al lograr
explicar la evolución de dichos índices. Para corroborar la hipótesis se utilizó información
mensual y el modelo del heterocedasticidad condicional autorregresiva – GARCH,
modelo estadístico actualmente muy utilizado para prever la volatilidad donde la variable
subyacente puede exhibir una reversión de la media.
Palabras Clave: Commodities, Índice.

I. INTRODUCCIÓN
El cada vez más acelerado, desarrollo de los mercados financieros, ha permitido

una evolución de la Ciencias Económicas, a la par de interconectar los Mercados
Financieros de todo el orbe. La movilidad de capitales es vista con mayor facilidad
hoy en día gracias al desarrollo de la tecnología en el mercado bancario, a tal punto
que los Bancos Centrales, que velan por la salud monetaria de la economía, deben
implementar medidas rápidas y efectivas, para contrarrestar los efectos de dicha
movilidad de capital.
Unos de los clichés asignados en los mercados de valores, es que las Bolsas son
los “Termómetros de las Economías"; sin embargo, una rápida mirada a los
indicadores bursátiles actuales y a los indicadores de la economía real, nos
mostrará que las Bolsas reaccionan con una velocidad incomparable, respecto a los
indicadores reales. Esto implicaría la existencia de un peso significativo de
“variables adelantadas” o expectativas de los inversores, o de las propias
emociones de los inversionistas, sobre la evolución de los indicadores bursátiles.
La presente investigación busca explicar el comportamiento del mercado bursátil, a

través de la explicación de un índice, bajo la consideración que sí es posible el uso
de información histórica de los precios y de las expectativas de ellos mismos,
contraviniendo la Teoría de los Mercados Eficientes, propuesta por Eugene Fama.
Al respecto, es preciso señalar que la teoría de Eugene Fama nos limita a pensar
en información histórica, pública, y no pública (insiders), pero no considera la parte
“humana de la negociación” en los mercados financieros. Por ello, el surgimiento de
la Teoría de las Finanzas del Comportamiento, desarrollada por Richard Thaler1,
que deja en claro que en el día a día del mercado financiero, los precios reflejan
más que la información existente en el mercado, reflejan además emociones. En
convergencia a ello, si analizamos periodos de crisis y de bonanzas, veremos, que
cual sea el método (descartando las asimetrías de información y las fricciones en el
mercado), los precios de los títulos valores se encontraran por debajo o por encima
de su valor intrínseco. Y peor aún, en periodos de crisis, la afectación de una noticia
negativa es mucho mayor que la de una noticia positiva (ejemplo: actual de la crisis
financiera iniciada en USA). Esto es, en periodos de pesimismo, los inversionistas
1 Véase De Bondt, Wemer FM y Richard Thaler (1985), "Does the stock market overreact?.
- 19 -:
se vuelven más pesimistas que el propio mercado. Entonces, ¿cómo poder asumir
que los precios de los valores siempre reflejan toda la información existente (actual)
en el mercado, descartando las diferentes expectativas de los inversores sobre
eventos futuros, que en algunos casos conllevan a interpretaciones subjetivas y
generan emociones?.
Una variable que recoge las expectativas de los inversionistas, son los precios
futuros de los commodities. Éstos se constituyen de materias básicas o mercancías
financieras, que se negocian principalmente en los mercados de futuros, con
objetivos de coberturas. Sin embargo, en estos mercados también participan
especuladores que buscan posiciones de arbitraje para rentabilizar sus capitales.
Si teóricamente los precios de los mercados spots (de contado) tienden a igualar
los precios de los futuros, entonces estos últimos bien reflejan las expectativas de
los mercados, o lo que los mercados esperan sobre un valor en particular. Por tanto
es posible recoger el efecto de las expectativas con información histórica de dichos
precios y con ello explicar el comportamiento del mercado de valores (a través de
un índice).
Otro punto en contra de la Teoría de los Mercados Eficientes y que sirve de apoyo
para el presente trabajo, lo constituye el propio CAPM (Capital Assets Pricing
Model), que ha demostrado ser una herramienta explicativa de los valores
individuales, respecto a los índices. Siendo así, hablamos de una ineficiencia de
mercado, demostrada, a largo plazo.2
En la misma línea, la Escuela Técnica plantea la existencia de tendencias

sistemáticas en las cotizaciones históricas, las cuales pueden ser detectadas,
permitiendo estimar cotizaciones futuras, igualmente la Escuela Fundamental tratar
de determinar la situación de Subvaluación o Sobrevaluación en que pueda
encontrarse un valor con respecto a su valor intrínseco, determinado a través de un
FCD3, o cualquier otro método de empresa en marcha (con valor de firma a
perpetuidad).
Si bien este estudio busca explicar el comportamiento de los índices a través de

commodities (del tipo materias básicas), no se alinea a ninguna de las dos escuelas
2 Véase Lecturas sobre Gestión de Cartera.
- 20 -:
mencionadas en el párrafo anterior, por cuanto ni genera un indicador, oscilador,
banda, etc. (para establecer señales), tampoco genera un valor intrínseco del
índice.
Desde el punto de vista teórico, el presente estudio contribuye a reafirmar que los
precios no reflejan toda la información disponible en el mercado, dado que existen
más factores preponderantes no medibles, y las materias básicas (parte de los
commodities) son una variable muy importante a la hora de modelar la evolución del
índice.
Desde el punto de vista práctico, el trabajo puede ser útil para inversionistas, tanto
personas naturales como personas jurídicas, que quisieran un modelo que explique
el comportamiento del índice, que luego sea utilizado con el CAPM, para determinar
una estructura adecuada de cartera de inversión, en términos de mediano y largo
plazo. Esto es, el presente estudio permitiría que un inversionista tenga a la mano
una herramienta más, en la toma decisiones de inversión en la Bolsa de Valores de
Lima.
3 Flujo de Caja Descontado.

- 21 -:
II. REALIDAD PROBLEMÁTICA
Al hablar de “Bolsa” (entiéndase Bolsa de Valores) en nuestro medio, casi siempre

se generan algunos mitos o creencias erradas, sobre la evolución de los precios y
las variables que inciden en sus cambios de tendencia de dichos precios. Y en ello
ha coadyuvado la escasa generación de trabajos de investigación dada en nuestro
medio4. Desde algunas pruebas estadísticas que demostraron aleatoriedad de las
cotizaciones bursátiles en algunos mercados y periodos particulares, hasta el
modelo APT5, pasando por el Modelo CAMP 6 y la tesis del mercado fractal
(deducida en los pioneros trabajo de Elliot7), existe una irrefutable conjetura: la
evolución de las cotizaciones bursátiles de un valor mobiliario, perteneciente a
cualesquiera empresa, no está en función de una o dos variables económicas, sino
en una gama de variables, desde económicas hasta políticas (pasando por
variables de tipo social y hasta climatológicas) que al coincidir en el tiempo de
existencia, se torna en un complejo árbol de incidencias que frustran la explicación
de la evolución de las cotizaciones y con ello su predicción.
Empero los pensadores económicos, inmersos en el mercado bursátil, han ideado

indicadores matemáticos desarrollados principalmente en el Análisis Técnico, que
nos dan cierta luz hacia el fondo de ese oscuro túnel.
Dicho análisis contempla desde indicadores de cambio de tendencia simples como

el RSI8 (Relative Streegh Index), con una probabilidad significativa de acierto, hasta
complejos sistemas de señales de compra o venta9, cuyo fin último es el aviso de
cambio de tendencia (bajista o alcista); es decir, en fácil español: PREDICCION . Y lo
mejor de ello, es que sus indicadores más eficientes, sólo contemplan dos
variables: “Precios y Volúmenes”; puesto que se parte bajo el principio que “los
4 Una excepción a esto, es el trabajo realizado por el Magíster en Finanzas, F. Bravo. (2004). Escuela de Pos
Grado de la U.N.T.
5
Modelo de Precios de Arbitraje: Según el cual una cartera óptima estará constituida por aquellos valores
que proporcionen un rendimiento máximo para el riesgo soportado, definido éste por su sensibilidad a los
cambios económicos inesperados, tales como los cambios imprevistos en la producción industrial, en el ritmo
de inflación y en la estructura temporal de los tipos de interés, un tanto alterno al CAPM.
6 Capital Asset Pricing Model: Este modelo sustenta que el precio de un activo financiero (en nuestro caso
Valor Bursátil), está dado por la suma del riesgo diversificable o riesgo específico y el riesgo no diversifi cable
o de mercado. Este último está medido por su coeficiente beta y se obtiene por medio de una regresión lineal
de dos variables según el supuesto de que el rendimiento en exceso de la acción, analizada como una serie
de tiempo, tiene varianza condicional homoscedástica.
7 Véase, Análisis Técnico de la Tendencia de Valores de Robert Edwards & John Magee.
8
Véase Arie Gelfenstein F. Análisis Técnico y Fundamental.
- 22 -:
precios resumen la información del mercado”; es decir, que los precios se encargan
de “podar” ese frondoso árbol de variables que los afectan, dándonos el efecto neto
sobre ellos mismos. El costo de eso: un rezago en la señal o predicción y una
probabilidad, algunas veces significativa, de “no acierto”.
Pero nuestra econometría no ha pasado por alto esta falencia en los mercados de
valores, y ha emprendido un desarrollo en los llamados “modelos financieros”,
buscando formas desarrolladas de los modelos heterocedásticos 10, llegando a los
ahora denominados “modelos ARIMA” y hasta los “modelos ARCH11 (de
heteroscedasticidad condicional autorregresiva)”.
Localmente, un trabajo que buscaba idear una nueva forma de explicación de la

evolución del mercado bursátil, específicamente sobre el IGBVL 12, es el de F. Bravo
(2004), que aplica una interesante técnica de eliminación de tendencia, el Hordrick
Prescott (HP), regresionando la diferencia de la variable real respecto al HP contra,
principalmente, índices bursátiles ligados a mercados muy desarrollados. Sin
embargo, nos da una muy lejana conexión entre el mercado de bienes y servicios y
la Bolsa de Valores; puesto que es, principalmente desarrollado, con índices
bursátiles; es decir queda encerrado en el “mundo bursátil”, dejando algo lejano el
“mundo de los bienes y servicios”.
Si lo que afecta a los precios de los valores, son hechos que afectan a las utilidades
futuras de las respectivas empresas, entonces la evolución de las ventas es un
factor importante, lo mismo serían los costos y la evolución de las alternativas de
inversión existentes, desde el punto de vista de sustitutos. Esto nos permitiría
agrupar variables reales que permitan una explicación del comportamiento del
mercado. Así, si nuestra Bolsa responde o debe responder a nuestro mercado real
(de bienes y servicios: dado que se considera a la Bolsa como “Termómetro de la
Economía”), de hecho podemos tomar variables que tengan conexión directa con
los productos más representativos o que más inciden en el mercado, generando un
ciclo bursátil13.
9
Integrado por diversos indicadores, dentro de los que destaca el MACD (Moving Average Cove rgence
Divergente)
10 El principio dominante en los modelos lineales económicos, es la homocedasticidad: “varianza constante”.
11 Ejemplo de ello son los modelos arch, garch y arch-m.
12 Indice General de la Bolsa de Valores de Lima.
13 Ciclo bursátil: Fluctuación larga y básica de las cotizaciones bursátiles. Es la variación a largo plazo de las
cotizaciones que dan lugar a la tendencia primaria de la bolsa. Por lo general estos ciclos coinciden con los
ciclos económicos con un adelanto de 6 a 12 meses. (Justo Fernández López – Hispanoteca - España).
- 23 -:
Siendo el mercado de futuros, el “lugar” donde se negocian estos “productos
representativos”, podríamos utilizarlos como variables exógenas para poder explicar
el comportamiento del mercado bursátil; tomando la misma idea que muestran los
indicadores y osciladores técnicos.
El primer dilema a enfrentar es el periodo a utilizar: ¿diario, semanal, mensual?.

Dado que se usarán futuros, estos se negocian con meses de antelación, por tanto
la complicación radicaría encontrar un futuro que calce con un valor del índice a una
fecha dada, por ejemplo: para el 04/04/1996, tendría que haber un futuro para el
04/07/1996, fenómeno que no necesariamente se presentaría por no haberse
negociado el commodity (definido aquí en el tipo de materia básica) dicha fecha, o
implicaría un feriado, etc. Por tanto, se resolverá el dilema asumiendo data al cierre
de mes, sea este 31, 30, 29, etc. Es decir, el precio de cierre (close) del último día
negociado del commodity.
Siendo el petróleo, el principal costo en el mundo para la gran mayoría de las

empresas, costo que se refleja en el transporte de sus materias primas, productos
terminados, hasta gastos administrativos, se le considerará como una de las
variables necesarias para el modelo. Del mismo modo el Oro, bajo el enfoque de
materia básica y que para el caso de la BVL contempla empresas productoras de
oro. Igualmente, el maíz, a fin de cuenta base de muchos de los principales
productos alimenticios en el mundo, relacionada con las empresas de consumo
masivo conformantes de la BVL.
III. MARCO TEÓRICO:
Teóricamente una acción (componente de los índices bursátiles) puede ser valuada
a través del Modelo de Crecimiento de Gordon (también denominado modelo de
descuento de dividendos con crecimiento constante), en honor a Myron Gordon que
tanto hizo para darla a conocer.
Este modelo supone que los precios se forman en el mercado como consecuencia
de los dividendos y éstos pueden crecer a un ritmo constante. Esto es discutible,
pues la reinversión o política de reservas permitirá la supervivencia y crecimiento de
la empresa y, por ese motivo, debería elevar su valor; sin embargo, por lo general la
rentabilidad de las inversiones incrementales es decreciente, lo que explica que el
- 24 -:
accionista pueda preferir una parte en metálico para invertir en el mercado, antes
que en la misma empresa, de modo que es irreal suponer que la rentabilidad “r” se
mantendrá indefinidamente.
El modelo parte de la consideración de que el valor intrínseco de la empresa

vendría dado por la reinversión de beneficios que se realiza y, por lo tanto, de la
política de reservas. Si del beneficio actual se ha retenido una parte “b×U”,
entonces el año que viene, será rentabilizado y se obtendrá U + r×b×U unidades
monetarias de beneficio, de las que se reinvertirá b×(1+rb)×U y se obtendrá U +
rb×(1+rb)×U, así sucesivamente, de forma que el beneficio de la empresa será una
renta creciente de razón “1 + rb”. Se comprueba que tanto las reservas dotadas
cada año, como los dividendos repartidos crecerán en la misma proporción. Por lo
tanto, este modelo se puede formular en función de los dividendos:
D0  (1  g ) 14
Pt 
rg
Esta formulación presenta algunos inconvenientes teóricos, puesto que no es válida

para empresas que no repartan dividendos (Do=0) o para tasas de interés que
coincidan con la razón (r=g) o sean inferiores (r<g).
Otros planteamientos teóricos lo constituyen el modelo de Valorización de Activos

de Capital - CAPM por sus siglas en inglés (Capital Assets Pricing Model) y la
Teoría de Valoración por Arbitraje – APT por sus siglas en inglés (Arbitrage Pricing
Theory). El primero desarrollado en la década de los años 60 por diversos autores,
entre ellos William F. Sharpe (1963), gracias a los fundamentos de la teoría del
portafolio desarrollada por Harry Markowitz (1952,1959) 15. El segundo desarrollado
por Ross en 197616.
El modelo CAPM plantea que la rentabilidad de un activo cualquiera, está

determinada por una tasa libre de riesgo más una prima por riesgo, la cual está en
función a los retornos del mercado:
14 Véase “Fundamentos de Finanzas Corporativas” P. 159.

15 Para una mayor amplitud sobre el modelo CAMP véase Bravo, Sergio: “Teoría Financiera y Costo de
Capital”.
16 Véase GOMEZ BEZARES, MADARIAGA Y SANTIBAÑEZ. Lecturas sobre Gestión de Carteras
- 25 -:
Ri  Rf   (Rm  Rf )
Por su parte el APT plantea que existen diversos factores macroeconómicos que
afectan al rendimiento de un activo, con los cuales se logra la siguiente relación:
Ri  E( R)    F  
Donde:
E ( R)    U    
Pero el modelo planteado se desarrolla sin exponer cuáles son esos factores
macroeconómicos.
Al respecto cabe anotar los trabajos desarrollados por Fernando Gómez-Bezares

(véase Lecturas sobre Gestión de Carteras - 2004), para valores que cotizan en la
Bolsa de Bilbao durante el periodo 1980-1987, a partir de los cuales construye “un
mercado” para el modelo. El autor desarrolla el modelo CAPM para periodos
distintos (diarios, semanales, mensuales) logrando modelos estimativos del beta
con resultados desiguales, pero que describen un posible lento ajuste del mercado
en términos diarios, si los comparamos con los datos semanales. Otro punto que
tomar en cuenta es la baja explicación de los modelos y los problemas de
heterocedasticidad que presentaban (por ejemplo, dos de los modelos encontrados
llegan a explicar menos del 22% del comportamiento de la variable explicada). En el
mismo trabajo, el autor desarrolla un modelo APT para realizar un contraste con el
modelo CAPM, pero las dificultades econométricas que presentaba el modelo, hace
dejarlo de lado:
“Al estimar y0 e y1 existen prob lemas econométricos (véase Bergés, 1984, págs. 94 y ss.),
tal es el caso de la heteroscedasticidad y el de los errores de ob servación. Tamb ién puede
hab er prob lemas en el propio modelo de mercado. Hacemos esta advertencia al lector para
que acepte los resultados con ciertas reservas, pero por no alargarnos demasiado en el
estudio, no entraremos en el tratamiento de estos prob lemas. Por otro lado, las soluciones
econométricas resultan discutibles en algunos casos, resultando algunas veces injustificado
el aparato teórico para las conclusiones alcanzadas”.
[……]
“Para terminar el estudio del APT sería preciso realizar un proceso de regresión cross -
seccional similar al realizado en el CAPM, sin emb argo diferentes motivos me impulsan a
no seguir adelante: Así sab emos que existen dificultades econométricas (véase Bergés,
- 26 -:
1984, págs. 112-113); otro prob lema es si procedemos o no a la rotación, si no lo hacemos
los factores son difícilmente interpretab les, si lo hacemos perdemos una serie de
propiedades que pueden ser importantes. Pero lo más desalentador son los resultados,
pues el primer factor nos lleva al CAPM y los cuatro factores restantes quedan lejos de
alcanzar la explicación del primero, ganando así mucho en complejidad y poco en
explicación. Los factores rotados son una especie de índices sectoriales, a los que
personalmente no les veo demasiado interés. Queda, sin emb argo, ab ierta la puerta para
investigaciones posteriores”.
Un modelo a base a índices bursátiles y económicos fue desarrollado por F. Bravo

(véase Bravo, F. Hamilton: Determinantes del Índice General de la Bolsa de Valores
de Lima en el Periodo 1994 – 2003). En su última aproximación utiliza un modelo
ARMA(1,1), partiendo de datos logaritmizados, filtrados mediante Hodrick-Prescott.
El modelo resultante explica en un 67.52% el comportamiento del IGBVL para el
periodo 94-03, en base a valores spots (mercado de contado). El mismo autor
propone el reemplazo del índice de Oro (XOI) por valores de futuros a 1 mes para
poder realizar una proyección a un mes, del índice general, de ser ese el interés.
En el trabajo de Manual Pacheco (“El carácter aleatorio del Mercado de Futuros

ISR. Un análisis de series de tiempo”), se desarrolla un modelo para el Índice de
Soja de Rosafé (ISR), concluyendo:
“En resumen, la evidencia empírica ob tenida indica que es posib le determinar dos
características importantes de la serie de precios del contrato ISR. Primero, el hallazgo que
los precios de este activo financiero no posee tendencia permiten determinar una hipótesis
ya comprob ada por Grignafini (1997), característica que los mercados de futuros de
commodities comparten con sus mercados disponibles, y al mismo tiempo, los distingue de
los mercados accionarios. Segundo, la comprob ación estadística sob re la in existencia del
parámetro de ordenada al origen (μ) es evidencia a favor del modelo de camino aleatorio y
en contra de modelos alternativos que postulan que los operadores deb en ser compensado
por asumir posiciones riesgosas”.
Sin embargo, el autor va más allá en sus conclusiones, llegando a colegir que dicha
serie no presenta heterocedasticidad, y en especial heterocedasticidad condicional
autorregresiva (característica común en las series financieras), que dicha serie
presenta una caminata aleatoria y arribando a el modelo más adecuado que refleja
el Mercado de Futuros de Soja, a partir de su índice.
Otro de los planteamientos considerados para el presente estudio, lo constituye el

trabajo de Pérez, Fredy: “Modelo TAR para detectar cambios de régimen en s eries
- 27 -:
financieras y económicas” de la Universidad de Medellín (Julio, 2004). Este trabajo
expone un modelo GARCH(1,1,) para el IGBC (Índice General de la Bolsa de
Colombia), mostrando parámetros significativos para el GARCH, lo cual resulta muy
útil para la presente investigación.
De acuerdo con lo citado, se replanteó el modelo de estimación de los precios de

los títulos (componentes de los índices), considerando que el efecto de las
ganancias de capital se generarán gracias a las utilidades esperadas (Ue), las que
estarán en función directa de los precios esperados del producto que la empresa
ofrece en el mercado y en función inversa de los costos asociados; y si estos se
negocian en los mercados de futuros, bien puede inferirse que el precio futuro de la
acción está en relación directa del precio futuro del producto que ofrece
(subyacente: Se) y en relación inversa a los costos de sus materiales (subyacente:
Xe).
 
Pt  f ( S e , X e )
Con esta simplificación17 podremos inferir que en promedio, para mercados

dependientes de las materias básicas como es el caso peruano, los índices
representativos del mercado tienen relación directa con los precios futuros de los
commodities ofertados y en relación inversa con los precios futuros de los
commodities que representan el principal costo para la economía (por ejemplo: el
petróleo).
A pesar de la calificación de la BVL de una “bolsa minera”, se plantea (en base a la

ecuación anterior) que un modelo explicativo de sus índices general y selectivo lo
constituye la siguiente función:
  
I t  f (GCc6m, CLc6m, Cc6m)
Donde, I correspondería al índice (general o selectivo), GCc6m al precio del oro a 6

meses, CLc6m al precio del petróleo a 6 meses, Cc6m al precio del maíz a 6
meses; todos ellos como valor continuo de los mercados de futuros.
17 En adición a este marco teórico se ha desarrollado en los anexos un apéndice teórico, donde se detallan
otros enfoques con los cuales se tiene algún contacto directo o indirecto al desarrollar el trabajo.
- 28 -:
COMPORTAMIENTO DE LAS VARIABLES:
Gráfico 01: Evolución de los Índices General y Selectivo
50000
40000
30000
20000
10000
0
96 97 98 99 00 01 02 03 04 05 06 07
IGRA ISEL
Fuente: Reuters - Data Xtra.
Puede observarse que ambos índices tienen un comportamiento similar, mostrando

el Selectivo un mayor crecimiento en los últimos años a diferencia del General.
Gráfico 02: Evolución de los Precios de los Commodities
120
100
1000
80
800 60
40
600
20
400 0
200
96 97 98 99 00 01 02 03 04 05 06 07
CC6 CLC6 GCC6
- 29 -:
En cierta forma, los precios futuros de los commodities han acompañado al
comportamiento de los índices descritos en la Imagen 01, mostrando elevaciones
mayores en los últimos años.
La relación del Índice General (IGRA) y los commodities seleccionados, parece

estable hasta los niveles inferiores a los 20,000puntos donde la volatilidad muestra
sus efectos, como se muestra en la siguiente imagen:
Imagen 01: El Índice General Vs. Los Precios de los Commodities

6 700
4 600
3
500
2
CC6
1
400
0
-1 300
-2
96 97 98 99 00 01 02 03 04 05 06 07
200
0 5000 10000 15000 20000 25000
IGRA CLC6
CC6 GCC6 IGRA
120 1000
900
100
800
80
700
C LC 6
GCC6
60 600
500
40
400
20
300
0 200
0 5000 10000 15000 20000 25000 0 5000 10000 15000 20000 25000
IGRA IGRA
Puede observarse el similar comportamiento con el Índice Selectivo, pero esta vez
a niveles inferiores a los 30,000puntos (véase imagen 02).
- 30 -:
Imagen 02: El Índice Selectivo Vs. Los Precios de los Commodities
6 700
600
4
3
500
2
CC6
1
400
0
-1 300
-2
96 97 98 99 00 01 02 03 04 05 06 07
200
0 10000 20000 30000 40000 50000
ISEL CLC6
CC6 GCC6 ISEL
120
1000
100 900
800
80
700
C LC 6
GCC6
60 600
500
40
400
20
300
0 200
0 10000 20000 30000 40000 50000 0 10000 20000 30000 40000 50000
ISEL ISEL
Entonces, ahora cabe preguntarnos:
IV. PROBLEMA:
¿Son los precios de los futuros de los commodities del oro, petróleo y maíz,
variables explicativas de la evolución de los índices General y Selectivo de la Bolsa
de Valores de Lima?
V. HIPÓTESIS:
Los precios de los futuros de commodities, representados en el petróleo, el maíz y
el oro, son variables explicativas de la evolución de la Bolsa de Valores de Lima, a
través de los IGBVL e ISBVL.
VI. IDENTIFICACIÓN DE VARIABLES:
- 31 -:
Variable Independiente: Precios de los Commodities Petróleo (CL), Oro (GC),
Maíz (C), valores continuos a 6 meses.
Variable Dependiente: Índice General de la Bolsa de Valores de Lima (IGBVL),

índice selectivo de la Bolsa de Valores de Lima (ISBVL).
VII. MATERIALES
1. POBLACIÓN:
La población teórica son todos precios de los futuros de los commodities
mundiales a lo largo del tiempo y los valores de los índices General y
Selectivo de la Bolsa de Valores de Lima (BVL).
2. MUESTRA:
La muestra son los precios de los futuros de los commodities: Oro,
Petróleo, Maíz y los valores de los índices General y Selectivo de la BVL
desde enero de 1996 hasta abril del 2008.18
VIII. MÉTODO, DISEÑO Y TÉCNICA
1. MÉTODO:
Descriptivo, Ex Post Facto, Retrospectivo. Se usará este diseño por
tratarse de un fenómeno ocurrido, determinando las relaciones entre las
variables tal y conforme se presentan en la realidad.
 Descriptivo: porque el objeto de la investigación consistirá en

describir y evaluar ciertas características de una situación particular
en uno o más puntos del 'tiempo', analizando los datos reunidos
para descubrir así, las variables relacionadas.
 Ex Post Facto: porque los cambios en la variable independiente ya

ocurrieron y el investigador tiene que limitarse a la observación de
situaciones ya existentes.
18 Véase la Data en los Anexos.

- 32 -:
 Retrospectivo: porque se usará la recolección de información
histórica mediante un sistema de registro de datos consignados en
las bases de datos de sistemas de información bursátil.
2. DISEÑO:
Elaboración: El Autor.
3. TÉCNICA:
La técnica que se usara será la Revisión Documentaria y la Observación
directa.
Se aplicará usarán pruebas de causalidad para determinar la inclusión de

las variables en el modelo. Asimismo se aplicarán mínimos cuadrados
ordinarios y modelos autorregresivos con media móvil para determinar el
modelo adecuado.
Por último se aplicarán pruebas estadísticas al modelo propuesto para

determinar su adecuada especificación.
- 33 -:
IX. RESULTADOS
Dado que los futuros se negocian con meses de antelación, fue necesario encontrar
contratos de futuros que calce con un valor del índice a una fecha dada, por ejemplo:
para el 04/04/1996, tendría que haber un futuro para el 04/07/1996, fenómeno que no
necesariamente se presentaría. Por ello, se resolvió el uso de datos al corte de mes, sea
este 31, 30, 29, etc. Es decir, el precio de cierre (close) del último día negociado del
commodity.
El primer paso fue obtener las correlaciones entre las variables en términos de nivel
(véase Tabla Nº 01 del Anexo). Como puede observarse se consideraron tanto los futuros
a 3 meses como los de 6 meses, encontrando que la mayor relación se encuentra en los
de 6 meses. Esto permitió elegir un “ciclo” de 6 meses, coincidente con la Hipótesis del
Ciclo Bursátil.
Además, a cada variable se le obtuvo sus estadísticos básicos para obtener una
referencia de la normalidad de la distribución de los datos. Las estadísticas básicas
muestran la poca normalidad de las series (véase Tabla Nº 02 del anexo).
Para verificar que los resultados mostrarían una relación apropiada de dichos
commodities con ambos índices, se procedió a efectuar la prueba de Pairwise Granger
Causality Tests, que dio señales que la hipótesis nula (no causalidad) era rechazada
(véase Tabla Nº 03 del anexo). Puede observarse que el test trabaja con 2 grados de
libertad, reduciendo la muestra originaria a 146 datos.
Para la modelación, el siguiente paso fue identificar si las variables eran o no

estacionarias, para lo cual se utilizó el ADF Test (véase anexo, Imagen Nº 03). Con
excepción del maíz a 6 meses (CC6), los probadores caen dentro de la zona de
aceptación de la Hipótesis Nula (existencia de raíz unitaria), por tanto ello implica
tratamiento de primeras diferencias. En este caso, dado el rechazo (tanto a 90% y 95%)
de la hipótesis nula (existencia de raíz unitaria), para el caso del maíz a 6 meses; se
desarrollaron modelos en base al oro y el petróleo, únicamente.
Cabe mencionar que, inicialmente se incluyeron más commodities (zinc, plata, estaño,
plomo, tasa de bonos norteamericanos, entre otras) que los tres planteados para ver si se
- 34 -:
lograba un modelo más explicativo de ambos índices; sin embargo, el modelo resultante
solo requería la inclusión de los planteados al inicio. En los anexos se encuentran los
datos utilizados únicamente para las tres principales variables.
Para la generación de los primeros modelos se utilizaron las primeras diferencias de las
variables (las pruebas ADF mostraban un claro rechazo de la hipótesis nula a niveles del
90%); sin embargo estos modelos mostraron resultados nada alentadores (véase Tabla
Nº 04 y Tabla Nº 05 del anexo).
Cabe anotar que se hicieron pruebas de modelos de segundas diferencias (para los
cuales la prueba ADF mostraba ausencia de raíz unitaria hasta niveles del 99%), pero
estos modelos arrojaron signos inversos a los esperados (signo negativo para el oro y
positivo para el petróleo).
Hasta aquí es preciso indicar que el utilizar el valor del futuro a 6 meses pactado hoy, da
como resultados signos inversos en el oro y petróleo (negativo para el primero y positivo
para el segundo, con un Adjusted R-squared inferior al 10%).
Al intentar corregir el modelo con un proceso autorregresivo (AR(1,2 y 3)), que mostraban
los diferentes correlogramas parciales, no solo se mantenía una baja explicación
(Adjusted R-squared inferior al 10%) sino que además los parámetros perdían
significancia.
En un siguiente intento se procedió a utilizar el filtro Hodrick-Prescott a todas las

variables, y sobre la base de los valores resultantes (diferencias sobre la tendencia
obtenida) se procedió a trabajar los siguientes modelos (véase página siguiente):
- 35 -:
Tabla N° 06: Modelo para IGRA con Filtro HP
GARCH = C(6) + C(7)*RESID(-1)^2 + C(8)*GARCH(-1) + C(9)*GARCH(-2)
Coefficient Std. Error z-Statistic Prob.
CHCC6(-5) 16.04142 1.472012 10.89761 0.0000

CHCLC6(-5) -20.65309 12.10560 -1.706078 0.0880
CHGCC6(-5) 3.842549 1.429297 2.688419 0.0072
AR(1) 0.776043 0.025501 30.43146 0.0000
MA(2) 0.499771 0.027915 17.90339 0.0000
Variance Equation
C 933629.1 62921.79 14.83793 0.0000

RESID(-1)^2 0.017556 0.005604 3.132563 0.0017
GARCH(-1) -1.057320 0.014469 -73.07419 0.0000
GARCH(-2) -0.962576 0.007391 -130.2351 0.0000
R-squared 0.831091 Mean dependent var 7.831642

Adjusted R-squared 0.820931 S.D. dependent var 1463.817
S.E. of regression 619.4358 Akaike info criterion 15.53662
Sum squared resid 51032188 Schw arz criterion 15.72396
Log likelihood -1094.100 Durbin-Watson stat 1.823524
Fuente: Base de Datos
Obsérvese que el petróleo ha perdido un poco de significancia. El modelo explica un 82%,

aproximadamente, el comportamiento del las variaciones del índice, deducido a partir del filtro
Hodrick-Prescott.
Tabla N° 07: Modelo para ISEL con Filtro HP

GARCH = C(6) + C(7)*RESID(-1)^2 + C(8)*GARCH(-1) + C(9) *GARCH(-2)
CHCC6(-5) 13.60685 3.111440 4.373167 0.0000

CHCLC6(-5) -46.00985 21.09376 -2.181207 0.0292
CHGCC6(-5) 2.778819 1.753348 1.584864 0.1130
AR(1) 0.776411 0.026397 29.41235 0.0000
MA(2) 0.526650 0.026437 19.92103 0.0000
Variance Equation
C 5029956. 483051.7 10.41287 0.0000

RESID(-1)^2 0.035974 0.005120 7.025883 0.0000
GARCH(-1) -1.000805 0.000686 -1459.508 0.0000
GARCH(-2) -0.988852 0.001501 -658.7176 0.0000

Sum squared resid 1.92E+08 Schw arz criterion 16.73421
- 36 -:
Para ambos modelos (Tabla 06 y Tabla 07), la explicación global ha mejorado
notoriamente, el petróleo muestra el signo esperado pero con baja significancia. El dilema
estriba en que ambos modelos explican las variaciones, sobre la tendencia extraída
mediante el filtro HP, y no la evolución en sí de los índices General y Selectivo. Bajo
estos resultados se optó por dejar de lado la secuencialidad Box-Jekins y se replanteó el
modelo desde los valores originarios (sin diferenciación). En total se trabajó con 148
datos de corte de mes.
El modelo resultante para el índice general fue:
Tabla N° 08: MODELO PARA EL IGBVL (IGRA en simbología Reuters)
GARCH = C(7) + C(8)*RESID(-1)^2 + C(9)*GARCH(-1) + C(10) *GARCH(-2) + C(11)*GARCH(-3)
C -14670.37 15291.64 -0.959372 0.3374

CC6(-5) 27.41566 2.758213 9.939643 0.0000
CLC6(-5) -36.10075 25.17271 -1.434123 0.1515
GCC6(-5) 11.06048 2.346712 4.713181 0.0000
AR(1) 1.116881 0.052953 21.09204 0.0000
AR(3) -0.125983 0.055462 -2.271510 0.0231
Variance Equation
C 2388959. 279347.3 8.551932 0.0000

RESID(-1)^2 0.131859 0.034999 3.767554 0.0002
GARCH(-1) -0.637248 0.138601 -4.597728 0.0000
GARCH(-2) -0.772908 0.037200 -20.77705 0.0000
GARCH(-3) -0.855215 0.137260 -6.230622 0.0000

Sum squared resid 69799569 Schw arz criterion 16.36706
Log likelihood -1118.515 F-statistic 810.5525
Durbin-Watson stat 2.268721 Prob(F-statistic) 0.000000
- 37 -:
Gráfico N° 03: MODELO PARA EL IGBVL
25000
20000
15000
10000
5000
3000
0
2000
-5000
1000
-1000
-2000
-3000
97 98 99 00 01 02 03 04 05 06 07
Residual Actual Fitted
El modelo para el índice selectivo fue el siguiente:
Tabla N° 09: MODELO PARA EL ISBVL (ISEL en simbología Reuters)
GARCH = C(7) + C(8)*RESID(-1)^2 + C(9)*GARCH(-1) + C(10) *GARCH(-2)
C -25459.52 23397.73 -1.088119 0.2765

CC6(-5) 60.54190 8.043492 7.526818 0.0000
CLC6(-5) -57.10578 54.79002 -1.042266 0.2973
GCC6(-5) 19.18379 4.737081 4.049707 0.0001
AR(1) 0.991431 0.015653 63.33892 0.0000
MA(2) 0.303021 0.109921 2.756727 0.0058
Variance Equation
C 8082944. 654302.3 12.35353 0.0000

RESID(-1)^2 -0.009894 0.038496 -0.257003 0.7972
GARCH(-1) -1.312075 0.034165 -38.40396 0.0000
GARCH(-2) -0.943590 0.049338 -19.12512 0.0000

Sum squared resid 2.49E+08 Schw arz criterion 17.62494
Log likelihood -1226.592 F-statistic 771.8597
Durbin-Watson stat 2.010146 Prob(F-statistic) 0.000000
- 38 -:
Gráfico N° 04: MODELO PARA EL ISBVL
15000
10000
5000
8000 -5000
4000 -10000
-4000
-8000
97 98 99 00 01 02 03 04 05 06 07
Residual Actual Fitted
Para ambos modelo se desarrollaron modelos GARCH dado que los modelos iniciales
MCO (mínimos cuadrados ordinarios) presentaban problemas de autocorrelación serial y
heterocedasticidad.
Ambos modelos han sido acompañados de sus respectivos correlogramas de residuos

hasta 12 rezagos, observándose que para el caso del Índice Selectivo ningún rezago
muestra significancia y para el Índice General, el rezago 3 está en el límite (véase Gráfico
Nº 05 y Gráfico Nº 07, ubicados en el anexo). Igualmente, ambos modelos fueron
testeados mediante LM ARCH TEST para 3 rezagos (v.c.: 7.81), ubicándose en la zona
de aceptación de la hipótesis nula de No ARCH (véase Tabla Nº 10 y Tabla Nº 11 del
anexo). Por último se realizó el test ADF para contrastar la hipótesis de estacionariedad,
o integración de orden cero, de la perturbación de ambos modelos. Ambos modelos
arrojan estadísticos ADF superiores al valor crítico para un nivel del significación del 5%
(la prueba compara los valores absolutos), por tanto podemos aceptar la hipótesis de que
la perturbación es estacionaria, y por lo tanto hay evidencia favorable hacia la existencia
de una relación causal entre las variables exógenas y las endógenas (véase Tabla 12 y
Tabla 13, ubicadas en el anexo).
- 39 -:
X. DISCUSIÓN
Respecto a la inclusión de las variables; se incluyó el petróleo por ser el principal costo
en el mundo para la gran mayoría de las empresas, costo que se refleja en el transporte
de sus materias primas, productos terminados, hasta gastos administrativos; sin embargo
en ambos modelos (para el IGBVL y para el ISBVL) el parámetro es estadísticamente
poco significativo. Esto tal vez pueda deberse a que el nivel de dependencia de la
economía hacia esta materia básica es aún relativamente baja en comparación con las
economías desarrolladas (las que muestran dependencia desde la generación de energía
para la calefacción hasta la producción manufacturera).
Se incluyó también el Oro, bajo el enfoque de materia básica. Es preciso señalar que esta
materia se comporta también como activo de refugio en situaciones de crisis. Y por
último, se incluyó el maíz, a fin de cuenta base de muchos de los principales productos
alimenticios en el mundo. Resumiendo diríamos que con tres materias básicas: Petróleo,
Oro, y Maíz, se pudo obtener dos modelos explicativos de la evolución del los índices
General y Selectivo de la BVL para el periodo enero 1996 – abril 2008.
Usando el test de causalidad y el coeficiente de correlación (ver anexos) se pudo

fortalecer la idea de inclusión de las variables exógenas en el modelo. Se generaron dos
modelos explicativos del la evolución de los índices, uno para el IGBVL y el otro para el
ISBVL con dan resultados símiles.
En ambos modelos: para el IGBVL (IGRA en terminología Reuters) y para el ISBVL (ISEL
en terminología Reuters); las tres variables independientes (Petróleo: CLc6, Oro: GCc6M,
Maíz: Cc6m) se rezagaron 5 meses de tal forma que al aplicar el proceso autorregresivo
el modelo usa también el valor a 6 meses. Las variables exógenas son los futuros a 6
meses con rezagos de 5 meses; es decir, en el tiempo “t”, el IGBVL se intenta explicar
con los futuros pactados hace 5 meses para liquidación en “t”, por ello se describe como
“t-5”; sin embargo, al añadir un autorregresivo de orden 1, se incluye el efecto del rezago
“t-6” de los precios de los futuros. Siendo que los precios spots (mercado de contado),
teóricamente, deben coincidir con el valor del precio futuro en el momento “t+n”, se
consideró que la expectativa en “t” del precio spot (de contado) no es más que el precio a
futuro menos el tiempo adelantado de contrato; siendo que el precio futuro a 6 meses con
6 rezagos corresponderían a la expectativa del precio del commodity en el momento “t”.
- 31 -:
En términos individuales, el modelo nos demuestra que el precio futuro del petróleo a 6
meses (haciendo equivaler al precio de contado a 5 meses) influye inversamente sobre
los Índices General y Selectivo de la BVL. Esto es, ante un incremento del precio de este
commodity a 6 meses, ambos índices tienden a caer (bajo condiciones ceteris paribus), lo
cual mantiene nuestra perspectiva de variable costo.
Los futuros del maíz (Cc6m) y del oro (GCc6m) a 6 meses, tienen relación positiva con
ambos índices. Es decir, los futuros del oro a 6 meses y del maíz a 6 meses, en promedio
no afecta negativamente la evolución de los índices, sino que afecta positivamente. Esto
se debe a que ambos índices mantienen valores relacionados con la producción de
dichos commodities: minas de oro (para el caso de los futuros del oro) y empresas de
consumo masivo (para el caso del maíz).
Ambos modelos muestran un grado de explicación ligeramente superior al 98%, con DW

alrededor de 2, residuos (ver correlogramas en el anexo) que no muestran
autocorrelación de orden 3, pero muestran estadísticos t bajos para el caso del petróleo.
Esto se puede deber, comparando con las economías desarrolladas, nuestra aún baja
dependencia con el petróleo, eso por un lado, y por otro lado que nuestros índices no
contemplan valores relacionados con la explotación de dicha materia básica. Cabe
mencionar que para ambos modelos se hicieron pruebas de inclusión de otros futuros
como Cobre, Plata, Zinc, Plomo y Tasa de Referencia de USA, pero no se logró mejorar
los resultados de estos modelos expuestos.
Partiendo del planteamiento inicial, y a diferencia de los planteamientos de valuación de

activos citados en el marco teórico, podemos observar que nuestra BVL (en términos de
los índices general y selectivo) depende significativamente de las expectativas del precio
del oro y del maíz, en forma directa y con poca significancia de las expectativas del precio
del petróleo, en forma inversa.
- 32 -:
XI. CONCLUSIONES Y RECOMENDACIONES
1. Fue posible desarrollar dos modelo econométricos que, a partir de los precios de los
futuros del petróleo, oro y maíz, explicaran la evolución tanto del Índice General,
como el Índice Selectivo, de la Bolsa de Valores de Lima para el periodo enero 1996 –
abril 2008; con una bondad de ajuste cercana al 98%. Ambos modelos nos permiten
inferir que estas tres materias básicas son variables explicativas del comportamiento
de nuestro mercado bursátil y que la influencia del oro y del maíz es directa sobre el
mercado a diferencia del petróleo.
2. Con un nivel de confianza del 95%, los futuros a 6 meses del petróleo, del maíz y del
oro, logran explicar el 98% la evolución del Índice General de la Bolsa de Valores de
Lima, para el periodo comprendido entre enero de 1996 y abril del 2008, con rezagos
de 5 periodos, mostrando que la expectativa del petróleo a 5 y 6 meses afectan
negativamente al IGBVL, y los futuros del oro y del maíz, afectan positivamente.
3. A un nivel de confianza del 95%, los futuros a 6 meses del petróleo, del maíz y del
oro, logran explicar un 98% de la evolución del Índice Selectivo de la Bolsa de Valores
de Lima, para el periodo enero 1996 - abril 2008, mostrando también que nuestro
comparativo bajo nivel de dependencia del petróleo, con respecto a las economías
desarrolladas, influye negativamente sobre el mercado pero con una baja significancia
estadística, a diferencia del oro y del maíz, sobre los cuales el índice cuenta con
valores relacionados directamente, que muestran una influencia positiva y altamente
significativos en términos estadísticos.
4. Ambos modelos se basan en la consideración que las series históricas permiten
explicar el comportamiento del presente, generando una diferencia con la hipótesis de
Eficiencia Débil. Ambos modelos fueron sometidos a pruebas estadísticas para
corroborar su fortaleza, admitiéndolas debidamente en términos estadísticos.
5. Por último, se recomienda ampliar la investigación en el desarrollo de modelos para
valores individuales de acciones basados en los precios de los futuros de los
commodities para contratos a 3 y 6 meses que consideramos muy valiosos para
explicar el comportamiento de los valores en términos individuales.
- 33 -:
XII. REFERENCIAS BIBLIOGRÁFICAS
 ARIE GELFENSTEIN F. Análisis técnico y Fundamental. Bolsa de Valores

de Valparaíso. 2003.
 BRAVO,F.Hamilton; Tesis: “Determinantes del Índice General de la Bolsa

de Valores de Lima en el Periodo 1994 – 2003”
 BRAVO, Sergio; “Teoría Financiera y Costo de Capital”. ESAN Ediciones,

Lima. 2008.
 BREALEY, Richard A.; MYERS, Stewart C. Principios de Finanzas

Corporativas 5ta Edición. Editorial Mc. Graw-Hill.
 DE LA ROCHA, Julio; Rentabilidad Bursátil: Evidencia Empirica. Lima: Edit.

CIESUL.Universidad de Lima, 1990: Serie de Documentos Nº 7.
 DE BONDT, WEMER FM Y RICHARD THALER, Cuadernos de Economía.

Universidad Católica de Chile Instituto de Economía. "Does the stock market
overreact?. 1998.
 EDWARS, Robert & MAGEE, John.; Análisis Técnico de la Tendencia de

Valores. Editorial Gesmovasa. Madrid - España.
 FABOZZI, Frank; MODIGLANI, Franco; FERRI, Michell. Mercados e

Instituciones Financieras. 1ra Edición. Editorial Prentice Hall.
 FORECAST; “Análisis Fundamental y Bursátil”. Forescat S.A. Madrid –

España.
 FORECAST; “Análisis Técnico”. Forescat S.A. Madrid – España.
 FORECAST; “Indicadores y Osciladores Técnicos”. Forescat S.A. Madrid –

España.
 FORECAST; “Chartismo”. Forescat S.A. Madrid – España.
 GOMEZ BEZARES, MADARIAGA Y SANTIBAÑEZ. Lecturas sobre Gestión

de Carteras. Universidad Comercial de Deusto. Bilbao. Enero 2004.
 INEI: Perú: Compendio Estadístico Económico – Financiero 98-99. Lima:

Edit. Grafica Monterrico S.A., 1999.
 JACQUILLAT, Bertrand & SOLNIK J Bruno: Mercados Financieros y

Gestión de Cartera de Valores. Madrid: Edit. Tecniban.
 JOHNSTON J: Métodos de Econometría. Madrid: Edit. Vicens Vives, 1975.
 MADALA, GS.; Econometría. México: Edit. Mc Graw Hill, 1985.
 MADURA, Jeff. Mercados e Instituciones Financieras. 5ta Edición.2001.

Editorial Thomson Learning.
- 34 -:
 MAX, Hernán; Investigación Económica: Su Metodología y su Técnica. Edit.
Fondo de Cultura Económica.
 PACHECO, Juan Manuel; El carácter aleatorio del Mercado de Futuros ISR.

Un análisis de series de tiempo. Argentina: Bolsa de Comercio de Rosario,
2001.
 PINDYCK, Robert & RUBINFELD, Daniel; Modelos Econométricos. España:

Edit. Labor Universitaria, 1980.
 ROSS, Stephen A.; WESTERFIELD, Randolph W.; JORDAN, Bradford D.

Fundamentos de Finanzas Corporativas. 2da Edición. Editorial Mc. Graw-
Hill.
 TORRES, Jorge & GUERRERO, Mario & NANO, Pablo: Ensayo de

Investigación sobre la Eficiencia de la información en la Formación de las
Cotizaciones en el Mercado Bursátil de Lima. Lima: Edit. Unión Gráfica S.A.,
Julio 1998.
LINKOGRAFÍA: TODA LA DATA FUE EXTRAÍDA DEL PORTAL REUTERS, SERVICIO

PRIVADO PARA EMPRESAS.
 REUTERS 3000 XTRA HOSTED TERMINAL PLATFORM:

https://portal.hpd.global.reuters.com/auth/login.aspx
- 35 -:
ANEXOS
Tabla N° 01: Correlaciones
Covariance Analysis: Ordinary

Sample: 1996M01 2008M04
Included observations: 148
Covariance
Correlation CLC3 GCC3 CC3 CLC6 GCC6 CC6
IGRA 105831.3 795367 305427.4 106995.7 813888.4 313765.8
0.841004 0.895745 0.723112 0.842156 0.898133 0.793272
ISEL 181630.3 1359583 517646.8 183625.3 1391622 533253.7
0.835567 0.886404 0.70948 0.836696 0.889009 0.780476
Elaboración: El Autor
Tabla N° 02: Estadísticas Básicas
CLC6 GCC6 CC6 IGRA ISEL

Mean 37.04209 415.4764 283.0135 4336.648 7197.658
Median 26.55 356.3 254.875 1793.225 2749.275
Maximum 113.37 987.4 642.25 23418.17 41567.61
Minimum 12.83 259.4 212.25 1134.93 1712.6
Std. Dev. 23.03411 164.2941 71.7102 5553.243 9592.629
Skewness 1.185035 1.530834 2.549851 2.117217 2.149553
Kurtosis 3.332654 4.63426 10.48899 6.260296 6.475579
Sum 5482.23 61490.5 41886 641823.8 1065253
Sum Sq. Dev. 77993.82 3967905 755925.8 4.53E+09 1.35E+10
Observations 148 148 148 148 148
Elaboración: El Autor
Tabla N° 03: Test de Causalidad
Pairwise Granger Causality Tests

Sample: 1996M01 2008M04
Null Hypothesis: Obs F-Statistic Prob.
CLC6 does not Granger Cause IGRA 146 5.73588 0.004
CC6 does not Granger Cause IGRA 146 0.44789 0.6399
GCC6 does not Granger Cause IGRA 146 3.64523 0.0286
CLC6 does not Granger Cause ISEL 146 5.96274 0.0033
CC6 does not Granger Cause ISEL 146 0.65292 0.5221
GCC6 does not Granger Cause ISEL 146 3.90149 0.0224
Imagen N° 03: Pruebas de Raíz Unitaria
Null Hypothesis: IGRA has a unit root

Exogenous: Constant
Lag Length: 11 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 0.356390 0.9804

Test critical values: 1% level -3.478911
5% level -2.882748
10% level -2.578158
Null Hypothesis: ISEL has a unit root

Exogenous: Constant
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -0.580581 0.8700

5% level -2.882748
10% level -2.578158
Null Hypothesis: CC6 has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.881123
10% level -2.577291
Null Hypothesis: CLC6 has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.881123
10% level -2.577291
Null Hypothesis: GCC6 has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.881123
10% level -2.577291
Null Hypothesis: D(IGRA) has a unit root
Exogenous: Constant
t-Statistic Prob.*

5% level -2.883073
10% level -2.578331
Null Hypothesis: D(ISEL) has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.883073
10% level -2.578331
Null Hypothesis: D(CC6) has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.881400
10% level -2.577439
Null Hypothesis: D(CLC6) has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.881260
10% level -2.577365
Null Hypothesis: D(GCC6) has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.881260
10% level -2.577365

Tabla N° 04: Modelo en Primeras Diferencias para IGRA
Dependent Variable: D(IGRA,1)

Method: Least Squares
Sample (adjusted): 1996M08 2008M04
Included observations: 141 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(GCC6(-6),1) 0.851033 2.676920 0.317915 0.7510

D(CLC6(-6),1) -48.06463 23.48386 -2.046709 0.0426

Adjusted R-squared -0.000344 S.D. dependent var 698.9105
Sum squared resid 67921463 Schwarz criterion 15.99317
Tabla N° 05: Modelo en Primeras Diferencias para ISEL
Dependent Variable: D(ISEL,1)

Method: Least Squares
Sample (adjusted): 1996M08 2008M04
Included observations: 141 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(GCC6(-6),1) 3.211302 4.993118 0.643146 0.5212

D(CLC6(-6),1) -94.81755 43.80321 -2.164625 0.0321

Sum squared resid 2.36E+08 Schwarz criterion 17.23996

Gráfico Nº 05: Correlograma de los Residuos del Modelo del IGRA
Tabla Nº 10: Prueba LM ARCH para el Modelo del IGRA
ARCH Test:
F-statistic 0.273689 Probability 0.601713

Obs*R-squared 0.277131 Probability 0.598588
Gráfico Nº 07: Correlograma de los Residuos

Tabla Nº 11: Prueba LM ARCH para el Modelo del ISEL
ARCH Test:
F-statistic 0.955352 Probability 0.330083

Obs*R-squared 0.962586 Probability 0.326536
Tabla N° 12: Test ADF para el Modelo del IGRA:
Null Hypothesis: RESIDFINALIGRA has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.882279
10% level -2.577908
Tabla N° 13: Test ADF para el Modelo del ISEL:
Null Hypothesis: RESIDFINALISEL has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.882279
10% level -2.577908

APÉNDICE TEÓRICO
XIII. HIPÓTESIS DE LA EFICIENCIA DE LOS MERCADOS

Desde los años 60, Eugene Fama, profesor de finanzas de la Escuela de Negocios
de la Universidad de Chicago, ha defendido la hipótesis de los mercados eficientes,
un concepto que ha dominado la teoría financiera por más de 30 años. La hipótesis,
que indica que los precios de las acciones reflejan la mejor y más completa
información disponible, ha sido un obstáculo obstinado para inversionistas activos
determinados a encontrar maneras de ganarle al mercado. Si el mercado es
eficiente, la regla para los inversionistas es simple: no se le puede ganar en forma
constante a un índice simple de precios de acciones.
En finanzas, la hipótesis de eficiencia de los mercados afirma que el precio de los

activos negociados en los mercados financieros refleja toda la información conocida
por los miembros del mercado y todas las creencias de los inversores sobre el
futuro. Esta hipótesis implica que no es posible lograr de forma consistente superar
los resultados del mercado excepto a través de la suerte o de la información
privilegiada (siempre y cuando exista). Sugiere también que el flujo futuro de
noticias que determinará el precio de las acciones es aleatorio y que no es posible
conocerlo por adelantado.
En un mercado eficiente los títulos estarán correctamente valorados, al rededor de

lo que se suele denominar el valor intrínseco, que es como decir que se valoran en
función de lo que se puede esperar de ellos. Así las acciones de una empresa
tendrán el valor que corresponda a la marcha de dicha empresa, a sus expectativas
de beneficios, riesgo que corre. Para que un mercado sea eficiente es necesario,
paradójicamente, que los que actúan en él, al menos una parte importante de ellos,
crean que no lo es y traten de aprovechar oportunidades de enriquecerse,
analizando para ello la información disponible con la esperanza de vender a un
precio más alto que el intrínseco o comprar a uno más bajo de esta manera
consiguen que la cotización se centre en el valor intrínseco. Pero la hipótesis define
3 clases de eficiencia que es preciso tener en cuenta:
Eficiencia Débil; es cuando el precio refleja toda la información histórica, las series
de datos históricos no contienen información que pueda ser usada para obtener
rentabilidades extraordinarias. En otras palabras, no es posible hallar estrategias de
inversión basadas en precios históricos de las acciones u otros datos financieros
para lograr rendimientos que superen a los del mercado; esto es: que el análisis
técnico no es útil. El único factor que afecta a los precios es la llegada a los
mercados de noticias desconocidas. Como se supone que las noticias ocurren
aleatoriamente, el cambio de los precios también debe ser aleatorio.
Eficiencia Semifuerte; cuando el precio refleja toda la información pública, tal es el

caso del anuncio de los beneficios anuales o de los tipos de interés. En este caso
solo sería posible obtener rentabilidades extraordinarias mediante la utilización de
informaciones privilegiadas, si éstas existen. Ello implica que los precios de los
activos se ajustan instantáneamente a toda información que se hace pública y no
puede lograrse un rendimiento superior al del mercado utilizando dicha información.
En otras palabras, las técnicas del análisis fundamental no serán capaces de lograr
rendimientos superiores a los del mercado.
Eficiencia Fuerte; el precio refleja toda la información existente, en tal caso nadie
puede obtener una rentabilidad extraordinaria mediante la utilización de
informaciones privilegiadas, bien porque no existen, bien porque son públicas ; y el
hecho de que algunos fondos de inversión consistentemente superen el rendimiento
del mercado no invalida la hipótesis, dado que los resultados de los fondos siguen
una distribución normal con fondos que superan, fondos que igualan y fondos que
tienen un resultado inferior al del mercado.
Los adversarios de la hipótesis de Eficiencia de los Mercados argumentan que hay

movimientos del mercado inexplicables siguiendo la hipótesis como el lunes negro
de 198719, cuando los precios de las acciones de todo el mundo bajaron con fuerza.
No hubo ninguna noticia que justificase un colapso de tal extensión. Se ha intentado
explicar el hecho por la influencia de los programas de compra informáticos
vendedores o la irracionalidad del comportamiento humano. Las Finanzas
Conductuales (también denominada Finanzas del Comportamiento) tratan de
19 Fecha en que los mercados de valores de todo el mundo se desplomaron en un espacio de tiempo muy
breve. La caída comenzó en Hong Kong, se propagó hacia el oeste a través de los husos horarios
internacionales, llegó a Europa y, por último, a Estados Unidos. El índice bursátil Dow Jones bajó 508 puntos,
situándose en los 1739 (22,6 %). Hacia finales de octubre, los mercados de valores de Hong Kong ya habían
caído un 45,8 %, Australia un 41.8%, España un 31 %, el Reino Unido un 26,4 %, Estados Unidos un 22,68
% y Canadá un 22,5 %. El impacto fue especialmente duro en los mercados de Nueva Zelanda, que cayeron
un 60 % desde el máximo de 1987, y del que tardaron varios años en recuperarse. Las denominaciones
«Lunes negro» y «Jueves negro» también se utilizan para hacer referencia a las caídas sufridas el 28 y 29 de
octubre de 1929, tras el desplome del jueves negro el 24 de octubre del mismo año que marcó el inicio del
colapso de los mercados en 1929.
entender dicho comportamiento y existen estrategias de inversión que se basan en
dicho enfoque.
XIV. FINANZAS CONDUCTUALES

En los últimos años, una nueva escuela de inversión llamada finanzas del
comportamiento está llegando a ser popular entre inversionistas profesionales y
aficionados y ha desafiado las fundaciones de la hipótesis de los mercados
eficientes. Liderados por Richard Thaler, investigador y colega de Fama en
Chicago, los teóricos de las finanzas del comportamiento argumentan que se
puede, de hecho, ganarle al mercado. Mediante el estudio cuidadoso del
comportamiento de los inversionistas, los administradores activos de inversiones,
pueden identificar pistas provechosas acerca de qué acciones comprar y cuándo.
Respaldada por evidencia convincente de la psicología cognoscitiva, la nueva
escuela cree que los inversionistas a menudo incurren en errores sistemáticos y
predecibles al procesar información sobre el mercado accionario. Debido a
debilidades humanas compartidas tales como exceso de confianza, avaricia, o
miedo, la gente comete errores de juicio, y estos errores pueden ser observados,
registrados y explotados por otros inversionistas que sean conocedores del juego.
Las finanzas conductuales y la economía conductual son campos cercanos que

aplican la investigación científica en las tendencias cognitivas y emocionales
humanas y sociales, para una mejor comprensión de la toma de decisiones
económicas y como afectan a los precios de mercado, beneficios y a la asignación
de recursos. Los campos de estudio están principalmente ocupados con la
racionalidad, o su ausencia, de los agentes económicos. Los modelos del
comportamiento típicamente integran visiones desde la psicología con la teoría
económica neo-clásica. Últimamente la neurociencia se ha integrado a esta alianza,
permitiendo estudiar las bases neuroanatómicas y neurofisiológicas del
comportamiento económico, conformándose así la nueva ciencia de la
neuroeconomía.
Al principio la Teoría de las Finanzas Conductuales fue desarrollada casi

exclusivamente desde observaciones experimentales y encuestas, aunque en
tiempos más recientes los datos del mundo real han alcanzado una posición más
relevante. Las imágenes por resonancia magnética funcional (fMRI) han sido
utilizadas también para determinar qué áreas del cerebro están activas durante
varios pasos de la toma de decisiones económicas. Experimentos simulando
situaciones del mercado como la negociación en bolsa de valores y las subastas
son vistas como particularmente útiles, en la medida en que pueden ser usadas
para aislar el efecto de una tendencia particular de la conducta; la conducta
observada del mercado puede típicamente ser explicada de diferentes maneras,
pero experimentos cuidadosamente diseñados pueden ayudar a estrechar el rango
de explicaciones plausibles. Los experimentos están diseñados para ser
compatibles con incentivos, normalmente mediante transacciones entrelazadas que
manejan dinero real.
Hay tres temas principales en la economía y finanzas conductuales: Heurística; la

gente a menudo toma decisiones basadas en aproximaciones "a ojo", no con
estrictos análisis racionales. Presentación: la forma en que un problema o decisión
es presentado al decisor puede afectar su acción. Ineficiencias del mercado: los
intentos de explicar los resultados observados del mercado que son contradictorios
con las expectativas racionales y la teoría de los mercados eficientes. Estos
incluyen precios erróneos, toma de decisiones irracionales y beneficios anómalos.
Richard Thaler, en particular, ha escrito una larga serie de documentos
describiendo anomalías concretas del mercado desde una perspectiva conductual.
XV. LOS COMMODITIES Y LOS DERIVADOS FINANCIEROS

El significado tradicional de commodities se circunscribió al de materias primas o a
granel. Se trata de productos cuyo valor viene dado por el derecho del propietario a
comerciar con ellos, no por el derecho a usarlos. Un ejemplo de commodity es el
trigo ya que, basándose en una calidad mínima estándar, no se hace diferencia
entre el trigo producido en una granja o en otra. Otros ejemplos son la electricidad o
el petróleo o la banda ancha en Internet; aunque este concepto incluye también
productos semielaborados que sirven como base para procesos industriales más
complejos.
Con el crecimiento de las bolsas de commodities a nivel mundial, se desarrollaron

nuevos conceptos del término commodity. La definición legal utilizada en los
Estados Unidos según la cual un commodity es todo aquello que sea subyacente en
un contrato de futuros de una bolsa de commodities establecida, amplió el concepto
para que mediante éste, prácticamente cualquier cosa pueda ser un commodity.
Actualmente se pueden agrupar en materias básicas (oro, plata, maíz, trigo,
petróleo, etc.) y productos financieros (índices, tipos de cambio, tasa de interés,
etc.)
Un producto derivado es aquél cuyo valor se deriva del precio del Activo
Subyacente, pero que en su inversión no es preciso el pago del principal. Al no
haber pago del principal, no hay transferencia de la propiedad del Activo
Subyacente, pero sí se producen los efectos económico-financieros equivalentes.
Un contrato de futuros es un contrato o acuerdo que obliga a las partes contratantes

a comprar o vender un número determinado de bienes o valores (activo
subyacente) en una fecha futura y determinada y con un precio establecido de
antemano. Los contratos de futuros son una categoría dentro de los contratos de
derivados y se basan mayormente en commodities. La características de los
contratos de futuros es que son estandarizados, conllevan la existencia de una
cámara o casa de compensación, requieren del establecimiento de de un margen a
constituir para incumplimientos y de alta tecnología al servicio de su intermediación.
Ello permite hablar de futuros a 3 meses, 6 meses, a diciembre, a enero (fechas de
liquidación); posiciones largas (longs) o cortas (shorts); posiciones abiertas (open
interest); etc.
En el precio de futuros incorpora las expectativas del mercado sobre la evolución

probable del precio del activo subyacente. El sintético de un futuro puede ser
obtenido a partir de F = S(1+r), asumiendo costos nulos. Si no se cumple esta
identidad existiría la posibilidad de establecer arbitrajes. Supongamos que el precio
de futuros se situara por encima de ese nivel, es decir, F>S(1+r); En este caso, un
arbitrajista podría vender un contrato de futuros y tomar prestados S dólares a un
tipo de interés r y comprar una unidad de mercancía en el mercado de contado por
el precio S. Estas operaciones se contrarrestan entre sí, con un coste total cero. En
el momento de expiración del contrato, se entrega la mercancía al precio acordado
y se devuelve el principal del préstamo: S(1+r). El resultado es que el arbitrajista
ganará un beneficio libre de riesgo: F - S(1+r).
Solamente una parte muy pequeña de los contratos de futuros que se celebran
concluyen con la entrega del activo o mercancía negociado. La mayoría de los
contratos se liquidan (ante la cámara de compensación) tomando una posición que
los contrarreste antes de que llegue la fecha de entrega.
XVI. LA METODOLOGÍA BOX-JENKINS
Lo que George Box y GwilymJenkins (1976) plantearon no fue un único modelo de
serie temporal, sino toda una familia de ellos que pudiesen ajustarse para explicar
la evolución de una variable a lo largo del tiempo. Son los denominados modelos
ARIMA.
Partiendo de la definición de esta familia de modelos, la metodología Box-Jekins

sigue un proceso que consta de cuatro fases: Identificación, Estimación,
Diagnóstico y Predicción.
Se trata de elegir uno o varios modelos ARIMA como posibles candidatos para
explicar el comportamiento de la serie, realizar la estimación de los parámetros de
los modelos seleccionados. Comprobar la adecuación de cada uno de los modelos
estimados y se determina cuál es el más idóneo. Si el modelo elegido es
satisfactorio se realizan las predicciones de la variable. Se trata pues de un
procedimiento iterativo de prueba y error, hasta lograr encontrar un modelo que nos
satisfaga plenamente.
XVII. TEST ESTADÍSTICOS

Granger Causality Test; es un concepto estadístico de la causalidad que se basa
en la predicción. La Causalidad de Granger o Test de Granger fue desarrollado por
el Premio Nobel de Economía (año 2003) Clive W. J. Granger (1934-), a partir de
las indicaciones de Norbert Wiener. Es un test consistente en comprobar si los
resultados de una variable sirven para predecir a otra variable, si tiene carácter
unidireccional o bidireccional. Para ello se tiene que comparar y deducir si el
comportamiento actual y el pasado de una serie temporal A predice la conducta de
una serie temporal B. Si ocurre el hecho, se dice que “el resultado A” causa en el
sentido de Granger “el resultado B”; el comportamiento es unidireccional. Si sucede
lo explicado e igualmente “el resultado B” predice “el resultado A”, el
comportamiento es bidireccional, entonces “el resultado A” causa “el resultado B”, y
“el resultado B” causa “el resultado A”. Su formulación matemática se basa en la
regresión lineal de modelado de procesos estocásticos. La Causalidad de Granger
(o "G-causalidad") fue desarrollado en 1960 y ha sido ampliamente utilizado en la
economía desde el decenio de 1960. Sin embargo, es sólo en los últimos años que
las aplicaciones en neurociencias se han hecho populares. La hipótesis nula es la
NO causalidad.
Breusch-Godfrey Serial Correlation LM Test; En Estadística, este test es una

prueba sólida de autocorrelación en los residuos de un análisis de regresión y se
considera de carácter más general que la norma estadística de Durbin-Watson (o h
de Durbin). Si bien el estadístico h de Durbin-Watson sólo es válido para
nonstochastic regresores y autorregresiva de primer orden (por ejemplo AR (1)), la
prueba de BG no tiene ninguna de estas restricciones, y es estadísticamente más
potente que la estadística h de Durbin. La hipótesis nula es la AUSENCIA de
autocorrelación.
La probabilidad impresa a la derecha de Obs*R-squared representa la probabilidad

de rechazar incorrectamente la hipótesis nula.
ADF Test; prueba de raíz unitaria propuesta por Dickey y Fuller. El proceso
autorregresivo de Dmt = lmt-1 +nt es muy simple y para tener en cuenta dinámicas
más complejas, Dickey y Fuller propusieron pruebas para la estacionariedad
basadas en la ecuación ampliada: Dmt = a0 + a1t + lmt-1 + SbjDmt-j + nt , donde
j=1,...m, a0 toma en cuenta la dirección y t es la tendencia lineal en el tiempo.
DATOS UTILIZADOS

16 Modelo para IGBVL

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

16 Modelo para IGBVL

Cargado por

Copyright:

Formatos disponibles

“LOS PRECIOS DE COMMODITIES COMO VARIABLES

EXPLICATIVAS DE LA EVOLUCIÓN DE LOS ÍNDICES –

AUTOR : Aldo Martín Esquivel Quiñe

En la presente investigación se pretende comprobar que nuestro mercado de valores,

Palabras Clave: Commodities, Índice.

El cada vez más acelerado, desarrollo de los mercados financieros, ha permitido

La presente investigación busca explicar el comportamiento del mercado bursátil, a

En la misma línea, la Escuela Técnica plantea la existencia de tendencias

Si bien este estudio busca explicar el comportamiento de los índices a través de

2 Véase Lecturas sobre Gestión de Cartera.

3 Flujo de Caja Descontado.

Al hablar de “Bolsa” (entiéndase Bolsa de Valores) en nuestro medio, casi siempre

Empero los pensadores económicos, inmersos en el mercado bursátil, han ideado

Dicho análisis contempla desde indicadores de cambio de tendencia simples como

Localmente, un trabajo que buscaba idear una nueva forma de explicación de la

El primer dilema a enfrentar es el periodo a utilizar: ¿diario, semanal, mensual?.

Siendo el petróleo, el principal costo en el mundo para la gran mayoría de las

III. MARCO TEÓRICO:

El modelo parte de la consideración de que el valor intrínseco de la empresa

Esta formulación presenta algunos inconvenientes teóricos, puesto que no es válida

Otros planteamientos teóricos lo constituyen el modelo de Valorización de Activos

El modelo CAPM plantea que la rentabilidad de un activo cualquiera, está

14 Véase “Fundamentos de Finanzas Corporativas” P. 159.

Al respecto cabe anotar los trabajos desarrollados por Fernando Gómez-Bezares

Un modelo a base a índices bursátiles y económicos fue desarrollado por F. Bravo

En el trabajo de Manual Pacheco (“El carácter aleatorio del Mercado de Futuros

Otro de los planteamientos considerados para el presente estudio, lo constituye el

De acuerdo con lo citado, se replanteó el modelo de estimación de los precios de

Con esta simplificación17 podremos inferir que en promedio, para mercados

A pesar de la calificación de la BVL de una “bolsa minera”, se plantea (en base a la

Donde, I correspondería al índice (general o selectivo), GCc6m al precio del oro a 6

Gráfico 01: Evolución de los Índices General y Selectivo

Fuente: Reuters - Data Xtra.

Puede observarse que ambos índices tienen un comportamiento similar, mostrando

Gráfico 02: Evolución de los Precios de los Commodities

CC6 CLC6 GCC6

Fuente: Reuters - Data Xtra.

La relación del Índice General (IGRA) y los commodities seleccionados, parece

Imagen 01: El Índice General Vs. Los Precios de los Commodities

Fuente: Reuters - Data Xtra.

Fuente: Reuters - Data Xtra.

Entonces, ahora cabe preguntarnos:

VI. IDENTIFICACIÓN DE VARIABLES:

Variable Dependiente: Índice General de la Bolsa de Valores de Lima (IGBVL),

VIII. MÉTODO, DISEÑO Y TÉCNICA

 Descriptivo: porque el objeto de la investigación consistirá en

 Ex Post Facto: porque los cambios en la variable independiente ya

18 Véase la Data en los Anexos.

Se aplicará usarán pruebas de causalidad para determinar la inclusión de

Por último se aplicarán pruebas estadísticas al modelo propuesto para

Para la modelación, el siguiente paso fue identificar si las variables eran o no

En un siguiente intento se procedió a utilizar el filtro Hodrick-Prescott a todas las

Coefficient Std. Error z-Statistic Prob.

CHCC6(-5) 16.04142 1.472012 10.89761 0.0000

C 933629.1 62921.79 14.83793 0.0000

R-squared 0.831091 Mean dependent var 7.831642

Fuente: Base de Datos

Obsérvese que el petróleo ha perdido un poco de significancia. El modelo explica un 82%,

Tabla N° 07: Modelo para ISEL con Filtro HP

Coefficient Std. Error z-Statistic Prob.

CHCC6(-5) 13.60685 3.111440 4.373167 0.0000

C 5029956. 483051.7 10.41287 0.0000

R-squared 0.816624 Mean dependent var 9.932798

Fuente: Base de Datos

GARCH = C(7) + C(8)RESID(-1)^2 + C(9)GARCH(-1) + C(10) GARCH(-2) + C(11)GARCH(-3)

GARCH = C(7) + C(8)RESID(-1)^2 + C(9)GARCH(-1) + C(10) *GARCH(-2)