Documentos de Académico
Documentos de Profesional
Documentos de Cultura
16 Modelo para IGBVL
16 Modelo para IGBVL
Trujillo - Perú
2009
RESUMEN
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.
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
- 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.
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)”.
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.
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.
D0 (1 g ) 14
Pt
rg
- 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 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”.
“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.
I t f (GCc6m, CLc6m, Cc6m)
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:
50000
40000
30000
20000
10000
0
96 97 98 99 00 01 02 03 04 05 06 07
IGRA ISEL
120
100
1000
80
800 60
40
600
20
400 0
200
96 97 98 99 00 01 02 03 04 05 06 07
- 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.
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
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.
- 31 -:
Variable Independiente: Precios de los Commodities Petróleo (CL), Oro (GC),
Maíz (C), valores continuos a 6 meses.
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
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.
2. DISEÑO:
Elaboración: El Autor.
3. TÉCNICA:
La técnica que se usara será la Revisión Documentaria y la Observación
directa.
- 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.
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.
- 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)
Variance Equation
Variance Equation
- 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.
Variance Equation
- 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
Variance Equation
- 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
Para ambos modelo se desarrollaron modelos GARCH dado que los modelos iniciales
MCO (mínimos cuadrados ordinarios) presentaban problemas de autocorrelación serial y
heterocedasticidad.
- 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.
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).
- 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
- 34 -:
MAX, Hernán; Investigación Económica: Su Metodología y su Técnica. Edit.
Fondo de Cultura Económica.
- 35 -:
ANEXOS
Tabla N° 01: Correlaciones
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
ARCH Test:
ARCH Test:
t-Statistic Prob.*
t-Statistic Prob.*
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 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.
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.
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.
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.
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.
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