Académique Documents
Professionnel Documents
Culture Documents
PROYECTO DE INVESTIGACIN PRONOSTICO DE LOS INDICES DE COTIZACIONES EN LA BOLSA DE VALORES DE LIMA DEL SECTOR: MINERO DEL AO 1999-2009
Ejecutores
Apellidos y nombres ASTETE TAPIA ,Luz Maria BUSTAMENTE TAPIA, karen DE LA TORRE AGUILAR, Abel MEDINA CANCHANYA, Juan Carlos
Catedrtico
INTRODUCCIN
Tanto el gobierno como las empresas necesitan tener un conocimiento adecuado de las futuras fluctuaciones de la actividad econmica. Los sistemas de informacin acerca de la evolucin del nivel de actividad econmica estn poco desarrollados en el Per. Ms all de informes elaborados por tcnicos de instituciones tales como el Banco Central de Reserva o el Ministerio de Economa, el gobierno no dispone de ninguna herramienta de anlisis y seguimiento contnuo y sistematizado de la coyuntura econmica . Se torna entonces evidente la necesidad de desarrollar herramientas que permitan prever la evolucin de la actividad econmica centrando nuestro estudio en el sector minero en base a aquellas pocas series estadsticas que se elaboren de manera contnua y que estn disponibles en lapsos razonables de tiempo. En este contexto, el objetivo del presente documento es analizar el comportamiento de los ndices de cotizaciones en la bolsa de valores de lima sector minero. Para la consecucin de este objetivo se analizarn la base datos extrados de la bolsa de valores de lima aos: 1999-2009.
Econometra II
Pgina 2
I.
Mercado burstil al primer trimestre: Per, Brasil, Mxico y Chile. Miguel Leiva Torres mleiva@bws.com.pe Daniel Crdova Espinoza dcordovae@bws.com.pe Pgina 3
Econometra II
CUADRO2
COMPORTAMIENTO SECTORIAL BVL
1.3. OBJETIVO:
a) OBJETIVO GENERAL: ANALIZAR EL COMPORTAMIENTO DINMICO DEL SECTOR MINERO
b) OBJETIVO ESPECIFICO: DETERMINAR EN QU AO EL SECTOR MINERO HA GENERADO UN INCREMENTO EN SUS NDICES BURSTILES
Econometra II
Pgina 4
1.4. METODOS:
Para poder desarrollar este trabajo es imprescindible, en primer lugar, estudiar un conjunto de modelos de comportamiento que cubran el mayor espectro posible de los procesos estocsticos objeto de nuestro inters. Entre ellos se pueden destacar los procesos de ruido blanco, medias mviles (MA), autorregresivos (AR), integrados (I) y sus conjunciones (ARMA y ARIMA). A partir de aqu se podr identificar la serie de datos con alguno de los modelos estudiados, estimar sus parmetros y validar la admisibilidad del modelo adoptado.
1.5. METODOLOGA:
Parta el presente proyecto de investigacin se utilizara una metodologa que vincula el enfoque: cuantitativo, descriptivo, diagnostico y explicativo. De esta manera poder aplicar un anlisis mediante la prueba estadstica, para detectar si el efecto de un factor asociado explica la influencia del cambio sobre la variable relacionada.
1.6. MATERIALES:
Los materiales e instrumentos que se emplearan en el proceso del presente proyecto de investigacin son los siguientes: Base de datos de indicadores burstiles. Software Microsoft Excel. Software SPSS. Software eviews.
Econometra II
Pgina 5
b) MUESTRA: La muestra para el presente proyecto de investigacin se toma en funcin del tiempo y espacio, tal es as, que este trabajo se desarrollara con una base de datos mensuales obtenida en los ndices Burstiles de la Bolsa de Valores del Per de los aos 1999 al 2009 haciendo un total de 125 observaciones.
Econometra II
Pgina 6
II.
2.1. ESTADO DEL ARTE:
MARCO TEORICO:
Despus de una revisin de trabajos relacionados al nuestro, se encontr lo siguientes: 1. SECTOR FINANCIERO PERCIBE RIESGO EN INVERSIONES MINERAS. Autor: Representante general de IMC, 12 de Junio del 2008.2 Aunque los altos precios de los commodities en los mercados internacionales hacen ms rentable las actividades relacionadas con la minera, en Colombia las inversiones en este sector son riesgosas. Esta es una de las principales conclusiones de una encuesta hecha por el Ministerio de Minas y Energa entre entidades bancarias, fondos de pensiones, fondos de capital privado, aseguradoras, fiduciarias, comisionistas de bolsa, bancas de inversin, firmas de abogados y personas naturales. 2. RIESGO, RENTABILIDAD Y EFICIENCIA DE CARTERAS DE VALORES. Autor: Fuensanta Galn Herrero, 2000.3 Hasta los aos cincuenta, el anlisis de las inversiones burstiles, con el objetivo de seleccionar los valores idneos para invertir en ellos, se realizaba tomando como variable de decisin la rentabilidad que el ttulo y/o la cartera haban producido en periodos anteriores. En la seleccin de valores subyaca la hiptesis de certeza, sin tener en cuenta el riesgo inherente a la inversin. La rentabilidad obtenida era la variable de decisin, no quiere ello decir que fuese la nica variable de estudio en el anlisis de inversiones burstiles. A principios del siglo XX, el anlisis tcnico era una herramienta ampliamente empleada en el estudio de valores, y el anlisis fundamental haba cobrado gran importancia a raz de la gran depresin del 29. Precisamente esta depresin hizo notar la necesidad de tomar decisiones de inversin en bolsa con criterios no especulativos, sino
2
www.imcportal.com/newsfiles/20080615031218.pdf www.edesclee.com/Pdf/19031.pdf
Econometra II
Pgina 7
basados en el estudio de los estados financieros de las empresas y del sector en el que desarrollan su actividad. 3. LA BOLSA DE VALORES DE LIMA: LA MS RENTABLE DEL MUNDO. Autor: Carlos Ral CONGONA REVILLA, 2006.4 Tal como parece, los ciclos econmicos se repiten y eso es lo que pasa con nuestra economa que no escapa a estos ciclos. En el ao 1,997 hubo un Boom de la Bolsa de Valores de Lima, alcanzando precios espectaculares las acciones que cotizan de diversos sectores, en el primer trimestre de ese ao los precios en especial de las empresas mineras subieron impulsados por los precios internacionales de los metales, que lamentablemente en el segundo semestre del mismo ao con la crisis asitica el mercado se vino abajo y de 50 Sociedades Agentes de Bolsa, solo quedaron la mitad. Los que guardaron las acciones desde esa poca hoy puede tener tranquilidad porque nuevamente la Bolsa de Valores de Lima ha marcado records histricos en sus cotizaciones, llegando los ndices burstiles a los siguientes niveles de rentabilidad
www.isppd.net/publicaciones/PUBLICACION_BOLSA%20DE %20VALORES_CARLOS_CONGONA_REVILLA.pdf
Econometra II
Pgina 8
El riesgo financiero es el riesgo de no estar en condiciones de cubrir los costos financieros, por ello su anlisis se determina por el grado de apalancamiento financiero que tenga la empresa en un momento determinado. c) LIQUIDEZ Naturaleza de ciertos activos por la que son transformables en dinero efectivo de forma inmediata d) AJUSTE INTEGRAL DEL CAPITAL: Re expresin del patrimonio neto al inicio del primer ejercicio de aplicacin. Se re expresarn en moneda de cierre el capital aportado y las primas de emisin efectivamente pagadas, desde la fecha de su integracin al ente, as como los aportes irrevocables no capitalizados desde la fecha en que se aportaron o se decidi su irrevocabilidad. Los importes pendientes de integracin no se re expresarn en moneda de cierre, mantenindose a su valor no re expresado, salvo que pudiera demostrarse que se trata de importes que econmicamente y no slo jurdicamenteson exigibles en forma individual y no simples cuentas de regularizacin. La diferencia entre el capital social re expresado en moneda de cierre y el capital social sin re expresar se expondr en una cuenta denominada Ajuste del Capital.
e) RUIDO BLANCO El ruido blanco es una seal aleatoria (proceso estocstico) que se caracteriza porque sus valores de seal en dos instantes de tiempo diferentes no guardan correlacin estadstica. Como consecuencia de ello, su densidad espectral de potencia (PSD, Power Spectral Density) es una constante, i.e, su grfica es plana.
Econometra II
Pgina 9
f) INVERSIONES: En el estado contable de una sociedad es la cuenta que incluye las inversiones realizadas con el nimo de obtener una renta u otro beneficio, explcito o implcito, y que no forman parte de los activos dedicados a la actividad principal de la empresa y las colocaciones efectuadas en otros entes. Incluyen, entre otras: ttulos valores; depsitos a plazo fijo en entidades financieras; prstamos; inmuebles y propiedades.
g) INDICE BOLSA- NIVEL GENERAL Las acciones de sociedades constituidas en el pas, son ponderadas por capitalizacin burstil. Las compaas extranjeras gravitan en funcin de su participacin en el valor efectivo operado. Las acciones componentes del ndice debern cumplir con la condicin de haber negociado al menos durante el 20% de las ruedas durante el perodo de referencia. Al comienzo de cada trimestre calendario se efectuar una reconfiguracin de la estructura del indicador, tomndose como lapso de referencia los seis meses anteriores. h) INDICE DE PRECIOS El ndice Precio / Ganancia muestra el tiempo, en aos, que le demandara al inversor recuperar el precio de la accin, si la empresa mantuviera su nivel de ganancias. Dado que el precio de las acciones, en la Bolsa de Comercio de Buenos Aires, se expresa -en general- a tanto por unidad de valor nominal, se utiliza como denominador el resultado de los ltimos doce meses por unidad de valor nominal de capital.
Econometra II
Pgina 10
2.3. HIPOTESIS:
a) HIPOTESIS GENERAL: EL COMPORTAMIENTO DINMICO DE CADA SECTOR MINERO HA SIDO MUY FLUCTUANTE EN LOS LTIMOS 5 AOS
b) HIPOTESIS ESPECIFICA: EL AO EN QUE EL SECTOR MINERO HA TENIDO UN ALZA EN SUS NDICES BURSTILES FUE EN EL 2003
Econometra II
Pgina 11
a) RENDIMIENTO DEL SECTOR BANCOS: El anlisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima; el cual muestra una media de 1,094%; que se va denotar (log_rend_sector_bancos=Log (sector_bancos/sector_bancos(t-1)); entre los periodos t y t-1, en la grafica 3.1.1 (a); se presenta las 112 observaciones resultantes de dicha transformacin, en ella se muestra una estacionalidad en la media; pero no as en la varianza, pues esta no parece constante, en la grafica 3.1.2 (a); se muestra el histograma de la serie, as como la su densidad de probabilidad, en la cual puede observarse que muestra una Curtosis 3.4363 superior a una distribucin normal y ligero sesgo positivo (0.5097) se observa tambin se muestra en el grafico 3.1.3 la prueba de Kernel donde la grafica muestra que la distribucin se aceca a
Econometra II Pgina 12
una distribucin normal pero este no se ajusta bien, Adems que pa prueba de Jarque Bera indica que la distribucin de la serie es diferente a la normal (incluso al 5% de significatividad). b) RENDIMIENTO DEL SECTOR MINERAS: El anlisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima; el cual muestra una media de 1,094%; que se va denotar (log_rend_sector_bancos=Log (sector_mineras/sector_mineras(t-1)); entre los periodos t y t-1, en la grafica 3.1.1(b) se presenta las 112 observaciones resultantes de dicha transformacin, en ella se muestra una estacionalidad en la media; pero no as en la varianza, pues esta no parece constante, en la grafica 3.1.2(b) se muestra el histograma de la serie, as como la su densidad de probabilidad, en la cual puede observarse que muestra una Curtosis 3.7115 superior a una distribucin normal y ligero sesgo positivo (0.2105) se observa tambin se muestra en el grafico 3.1.3 la prueba de Kernel donde la grafica muestra que la distribucin se aceca a una distribucin normal pero este no se ajusta bien, Adems que pa prueba de Jarque Bera indica que la distribucin de la serie es diferente a la normal (incluso al 5% de significatividad).
c) RENDIMIENTO DEL SECTOR SERVICIOS: El anlisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima; el cual muestra una media de 1,094%; que se va denotar (log_rend_sector_bancos=Log (sector_servicios/sector_servivios(t-1)); entre los periodos t y t-1, en la grafica 3.1.1(c) se presenta las 112 observaciones resultantes de dicha transformacin, en ella se muestra una estacionalidad en la media; pero no as en la varianza, pues esta no parece constante, en la grafica 3.1.2 se muestra el histograma de la serie, as como la su densidad de probabilidad, en la cual puede observarse que muestra una Curtosis 3.7115 superior a una distribucin normal y ligero sesgo positivo (0.2105) se observa tambin se muestra en el grafico 3.1.3(c) la prueba de Kernel donde la grafica muestra que la distribucin se acerca a una distribucin normal pero este no se ajusta bien, Adems que la prueba de Jarque Bera indica que la distribucin de la serie es diferente a la normal (incluso al 5% de significatividad). d) RENDIMIENTO DEL SECTOR DIVERSAS: El anlisis se concentra en el rendimiento del sector bancos de la bolsa de valores de lima; el cual muestra una media de 1,094%; que se va denotar (log_rend_sector_bancos=Log (sector_diversas/sector_diversas(t-1)); entre los periodos t y t-1, en la grafica 3.1.1(d) se presenta las 112 observaciones resultantes de dicha transformacin, en ella se muestra una estacionalidad en la media; pero no as en la varianza, pues esta no parece constante, en la grafica 3.1.2(d) se muestra el histograma de la serie, as como la su densidad de probabilidad, en la cual puede observarse que muestra una Curtosis 3.7115 superior a una distribucin normal y ligero sesgo positivo (0.2105) se observa tambin se muestra en el
Econometra II
Pgina 13
grafico 3.1.3 la prueba de Kernel donde la grafica muestra que la distribucin se aceca a una distribucin normal pero este no se ajusta bien, Adems que pa prueba de Jarque Bera indica que la distribucin de la serie es diferente a la normal (incluso al 5% de significatividad).
a) SECTORES DE LA BOLSA DE VALORES DE LIMA: El Grfico 3.2.1 muestra la evolucin semanal de los rendimientos de los activos en los sectores estudiados en el perodo de estudio. Se puede observar que ambas series presentan una tendencia similar. Al aplicar la prueba para determinar si tiene races unitarias las series como se muestra en la tabla 3.2.2 muestra que las seis tienen races unitarias; es decir que se puede considerar a la serie del rendimiento del sector como una caminata aleatoria o un Ruido Blanco, a excepcin de la serie de rendimiento de l sector servicios el cual muestra que no tiene races unitaria y muestra que es una serie estacionaria. La evidencia sugiere que las races de las ecuaciones CARACTERIUSTICAS DE los procesos AR Y MA podrian tener valores complejos y, por lo tantro el proceso de lka serie pudiera ser difcil de modelar. Del anlisis preliminar realizado, podemos concluir que existen diferencias significativas en varianza pero no en media entre ambas series financieras. Sin embargo, sorprende que, en determinado periodos, los tipos sectores se comportaron de forma diferente. Este hecho podra indicar que algunos sectores podran estar ofreciendo una sensibilidad diferente ante los distintos factores de riesgo. En la ltima dcada del siglo pasado, se ha observado una gradual expansin del proceso de globalizacin econmica. Este fenmeno se manifiesta en un incremento de los niveles de interconexin y los vnculos econmicos entre las diferentes economas a nivel internacional. Este proceso lleva consigo que dichas empresas estn ms expuestas a las crisis burstiles, econmicas o sociopolticas a nivel internacional. Por otro lado, las empresas pequeas son menos sensibles a las crisis financieras internacionales al depender su actividad econmica en mayor medida, de factores econmicos locales. Estos
Econometra II Pgina 14
resultados sealan que es importante estudiar con ms detenimiento las relaciones dinmicas en los momentos de segundo orden entre ambos tipos de empresas.
Para estimar el modelo de las ecuaciones (1) y (2), se supone que el vector de innovaciones ( ) 2 1 , sigue una distribucin normal condicional y se aplica el mtodo de quasi-mxima verosimilitud. Bollerslev y Wooldridge (1992) muestran que los errores estndar calculados mediante el mtodo de quasi-mxima verosimilitud son robustos aunque se viole el supuesto de normalidad. El Panel (A) de la Tabla 3 muestra las estimaciones de los parmetros del modelo, todos ellos con un p-valor muy bajo.
Los resultados obtenidos, los cuales se muestran en las tablas 3.3.3, nos indican que en la mayora de sectores no se aprecia un efecto mensual, ya que la rentabilidad de cada uno de los meses difiere sustancialmente entre ellas. Ello nos indica que la rentabilidad de los ndices representativos de los sectores ms importantes es independiente del mes en que se generan. No obstante, s que apreciamos un efecto estacional en el sector servicios.
Para recoger estas caractersticas de las series temporales se han planteado modelos no lineales, entre los que se pueden destacar bsicamente dos tipos: por un lado, los modelos ARCH y GARCH y todas sus posibles variantes y por otro lado, los modelos de volatilidad estocstica. Estos modelos se diferencian entre s en la forma de modelizar la volatilidad, as el primer tipo de modelos se caracteriza porque la varianza condicional depende de las observaciones pasadas de la serie (modelos ARCH) y de sus propios valores pasados (modelos GARCH), mientras que en los modelos de volatilidad estocstica la volatilidad es funcin de un proceso estocstico no observable.
Econometra II
Pgina 15
Dado el comportamiento de las funciones de autocorrelacin simple y parcial de los cuadrados de los rendimientos de ndices burstiles vamos a proponer para las series de rendimientos financieros un modelo GARCH(1,1). El modelo GARCH(1,1) viene especificado por las siguientes ecuaciones:
, para que el proceso sea estacionario y no degenere; y t representa a los rendimientos de los ndices burstiles; es la constante; _t es la volatilidad y t es la perturbacin aleatoria que es independiente y est idnticamente distribuida con media cero y varianza igual a uno. Nosotros vamos a aadir el supuesto de normalidad.
En la estimacin del modelo GARCH(1,1) para los rendimientos del CAC40 y DAX30, se puede apreciar que todos los parmetros son significativos, lo que indica que los rendimientos de los ndices burstiles se ven afectados por el comportamiento de la volatilidad en el periodo anterior. Adems, se ha recogido con esta estimacin de forma adecuada la dependencia de los cuadrados ya que las funciones de autocorrelacin simple y parcial tienen prcticamente todos sus valores en torno a cero, lo que implica que el agrupamiento de la volatilidad ya no es tan acentuado. La persistencia de la volatilidad est medida por los valores estimados de _1+_1, que en este caso son valores prximos a uno. Los resultados de la estimacin nos muestran que los intervalos de la estimacin no son simtricos porque el modelo estimado no es lineal, adems los valores estimados del parmetro (que mide la persistencia de la volatilidad) son DAX30 CAC40 valores elevados pero no llegan a uno, lo que implica que el proceso es estacionario. Se puede apreciar la evolucin de la volatilidad en los rendimientos de los ndices burstiles en el periodo muestral estudiado, siendo mayor la volatilidad para ambos al comienzo y al final del periodo muestral que en los periodos intermedios.
Econometra II
Pgina 16
CONCLUSION
Las principales aportaciones de esta investigacin son tres. En primer lugar, se analiza la relacin dinmica en los momentos condicionales de segundo orden entre diversos sectores del mercado de la bolsa de Valores de Lima, puesto que los estudios empricos existentes hasta el momento se han centrado en el mercado estadounidense, australiano y nipn. Para ello, se estudiar como responde la matriz de varianzas y covarianzas condicional de empresas grandes y pequeas a shocks positivos y negativos en los rendimientos de ambos tipos de empresas. Los resultados muestran que los shoks negativos procedentes de cualquier mercado repercuten en la volatilidad del otro mercado, por tanto, existe transmisin de volatilidad entre ambos tipos de empresas en las dos direcciones. La modelizacin de la volatilidad no es nica y para elegir el modelo que mejor recoja la evolucin dinmica de la volatilidad es necesario hacer un anlisis de las caractersticas que determinan el comportamiento de las series financieras que sean objeto de estudio. Los modelos de volatilidad estocstica, aunque son ms complicados de estimar que los modelos GARCH, permiten captar mejor, en muchos casos, la evolucin de la dinmica de la volatilidad a lo largo del tiempo. En la utilizacin de estos modelos (por ejemplo, para hacer predicciones de la volatilidad) es necesario tener en cuenta que los valores ms recientes proporcionan ms informacin.
Econometra II
Pgina 17
RECOMENDACIN
Dada la necesidad para cualquier inversor, que desee diversificar sus recursos financieros de forma internacional, de conocer si los mercados financieros a los que pueda acceder estn o no perfectamente integrados entre s, hemos analizado la existencia de anomalas en distintos mercados financieros internacionales. Dicho anlisis se ha centrado en la contrastacin emprica del efecto da de la semana, tanto en rentabilidad como en volatilidad, en los principales mercados burstiles europeos para el perodo temporal que abarca desde julio de 1997 hasta marzo de 2004.
En cuanto a la existencia de volatilidad anormal en la ecuacin de la varianza condicional de los distintos mercados europeos en funcin del da de la semana en la que se genere, al igual que Kyimaz y Berument (2001), s que apreciamos un efecto da de la semana en todos los mercados financieros analizados, excepto en Portugal y Repblica Checa. No obstante, dicho efecto no es similar en los distintos mercados financieros analizados.
Econometra II
Pgina 18
BIBLIOGRAFA
Econometra II
Pgina 19
INDICE
Econometra II
Pgina 20
ANEXOS
Grafica 3.1.2 (a)
12 10 8 6 4 2 0 -0.1 -0.0 0.1 0.2 Series: REND_ESTATICO_BANCOS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.010940 0.002882 0.232932 -0.136634 0.074412 0.509756 3.436393 5.739269 0.056720
Econometra II
Pgina 21
Kernel Density (Normal, h = 0.0219) 7 6 5 4 3 2 1 0 -.15 -.10 -.05 .00 .05 .10 .15 .20 .25 REND_ESTATICO_BANCOS
Series: REND_ESTATICO_MINERAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.029984 0.020986 0.306004 -0.195745 0.087726 0.210549 3.711510 3.189991 0.202909
Econometra II
Pgina 22
12
Series: REND_ESTATICO_SERVICIO Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability -0.1 0.0 0.1 0.011275 0.009170 0.179673 -0.185267 0.052776 -0.066919 4.465483 10.10591 0.006390
Econometra II
Pgina 23
Kernel Density (Normal, h = 0.0164) 9 8 7 6 5 4 3 2 1 0 -.20 -.15 -.10 -.05 .00 .05 .10 .15 .20 REND_ESTATICO_SERVICIOS
16
Series: REND_ESTATICO_DIVERSAS Sample 1999M01 2008M12 Observations 112 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability -0.2 -0.1 -0.0 0.1 0.2 0.018711 0.009346 0.262364 -0.273293 0.093840 -0.200122 3.567248 2.249170 0.324787
12
4 0
Econometra II
Pgina 24
Date: 07/19/08 Time: 19:52 Sample: 1999M01 2008M12 REND_BANC REND_SERVI REND_MINER REND_DIVER OS CIOS AS SAS Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 0.010940 0.002882 0.232932 -0.136634 0.074412 0.509756 3.436393 0.011275 0.009170 0.179673 -0.185267 0.052776 -0.066919 4.465483 0.029984 0.020986 0.306004 -0.195745 0.087726 0.210549 3.711510 0.018711 0.009346 0.262364 -0.273293 0.093840 -0.200122 3.567248
Econometra II
Pgina 25
COVARIANCE MATRIX BANCOS MINERAS SERVICIOS BANCOS MINERAS SERVICIOS DIVERSAS 0.005488 0.002468 0.000790 0.002530 0.002468 0.007627 0.001688 0.004228 0.000790 0.001688 0.002760 0.001879
Grficos
Grfico 1. Evolucin de los ndices durante el periodo de estudio
Econometra II
Pgina 26
Econometra II
Pgina 27
.3
.2 .1
.0 -.1 -.2 99 00 01 02 03 04 05 06 07 08
REND_DINAMICO_BANCOS
Econometra II
Pgina 28
.4 .3 .2 .1 .0 -.1 -.2 99 00 01 02 03 04 05 06 07 08
REND_DINAMICO_BANCOS
Econometra II
Pgina 29
.2
.1
.0
-.1
-.2 99 00 01 02 03 04 05 06 07 08
REND_DINAMICO_SERVICIOS
Econometra II
Pgina 30
REND_DINAMICO_DIVERSAS
1. ESTACIONALIDAD DE LOS RENDIMIENTOS DE LOS SECTORES:
Econometra II
Pgina 31
. |* . |. . |* . |* . |. . |. . |. . |* . |. . |. . |. . |. .*|. . |. . |* . |* . |* . |. . |. . |. . |. . |. .*|. . |.
| | | | | | | | | | | | | | | | | | | | | | | |
| | | | | | | | | | | | | | | | | | | | | | | |
13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
0.088 -0.002 0.070 0.158 0.048 0.008 0.053 0.080 0.013 0.033 0.020 -0.052 -0.072 -0.053 0.076 0.111 0.070 -0.047 -0.010 0.028 0.025 -0.055 -0.094 -0.049
-0.020 -0.022 0.096 0.084 -0.077 0.069 0.055 -0.055 -0.049 0.097 -0.084 -0.132 0.009 -0.035 0.034 0.056 0.037 -0.115 0.007 -0.010 0.026 -0.065 -0.035 0.033
31.792 31.793 32.444 35.759 36.065 36.073 36.461 37.342 37.365 37.520 37.580 37.976 38.746 39.166 40.045 41.910 42.661 43.010 43.025 43.149 43.248 43.748 45.212 45.609
0.003 0.004 0.006 0.003 0.004 0.007 0.009 0.011 0.015 0.021 0.028 0.035 0.039 0.047 0.051 0.044 0.049 0.058 0.074 0.090 0.109 0.122 0.116 0.131
Econometra II
Pgina 32
| | | | | | | | | | | | | | | | | | | | | | | | |
| | | | | | | | | | | | | | | | | | | | | | | | |
12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
0.077 0.001 -0.020 -0.042 -0.026 0.000 -0.032 -0.043 -0.009 -0.050 0.037 0.032 -0.093 -0.015 -0.080 -0.078 0.048 -0.053 -0.058 -0.001 -0.016 0.017 0.009 -0.049 -0.108
0.043 -0.110 -0.003 -0.080 0.007 0.031 -0.042 -0.015 -0.000 -0.032 0.063 0.032 -0.115 0.051 -0.085 -0.004 0.084 -0.044 -0.046 0.038 0.018 -0.022 0.046 -0.068 -0.109
31.521 31.521 31.572 31.807 31.899 31.899 32.037 32.286 32.297 32.649 32.840 32.989 34.240 34.274 35.233 36.143 36.493 36.920 37.436 37.436 37.477 37.526 37.540 37.931 39.902
0.002 0.003 0.005 0.007 0.010 0.015 0.022 0.029 0.040 0.050 0.064 0.081 0.080 0.102 0.107 0.112 0.130 0.148 0.165 0.198 0.232 0.269 0.310 0.337 0.301
Econometra II
Pgina 33
| | | | | | | | | | | | | | | | | | | | | | | | | | |
| | | | | | | | | | | | | | | | | | | | | | | | | | |
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
0.018 0.018 0.030 -0.030 0.061 -0.056 -0.106 -0.024 -0.025 -0.115 -0.056 0.036 0.088 0.058 -0.014 -0.021 -0.012 -0.045 -0.164 -0.130 -0.126 -0.059 0.007 -0.056 -0.053 0.017 -0.041
-0.017 0.033 -0.004 -0.035 0.076 -0.110 -0.047 -0.006 0.010 -0.115 0.015 0.048 0.111 -0.016 -0.031 -0.030 -0.012 -0.037 -0.158 -0.026 -0.082 0.029 -0.007 -0.015 -0.056 0.027 -0.086
11.241 11.281 11.392 11.510 12.001 12.408 13.894 13.974 14.059 15.869 16.311 16.492 17.591 18.076 18.103 18.170 18.192 18.491 22.587 25.195 27.658 28.212 28.219 28.731 29.196 29.244 29.533
0.339 0.420 0.496 0.568 0.606 0.648 0.607 0.669 0.725 0.666 0.697 0.741 0.730 0.753 0.798 0.835 0.869 0.888 0.753 0.668 0.589 0.610 0.658 0.680 0.702 0.742 0.768
Econometra II
Pgina 34
| | | | | | | | | | | | | | | | | | | | | | | | | | | |
| | | | | | | | | | | | | | | | | | | | | | | | | | | |
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
0.189 0.173 0.170 0.207 0.004 0.004 0.067 0.070 0.125 0.006 -0.010 0.016 -0.053 0.027 -0.017 -0.066 -0.012 -0.066 -0.051 -0.065 -0.085 -0.126 0.003 -0.014 -0.022 0.064 -0.134 -0.101
0.189 0.015 0.024 0.059 -0.164 -0.038 0.065 0.080 -0.032 -0.135 0.028 0.037 -0.129 0.048 -0.007 -0.049 0.028 -0.043 -0.037 -0.071 0.028 -0.030 0.134 -0.073 0.069 0.043 -0.158 -0.012
62.164 65.931 69.578 75.054 75.056 75.059 75.653 76.307 78.415 78.420 78.434 78.469 78.861 78.968 79.009 79.640 79.663 80.303 80.696 81.338 82.449 84.937 84.939 84.969 85.044 85.721 88.681 90.403
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
a) SECTOR BANCOS:
Econometra II
Pgina 35
Hodrick-Prescott Filter (lambda=14400) .3 .2 .3 .2 .1 .0 -.1 -.2 99 00 01 02 03 04 05 06 07 Cycle 08 BANCOS Trend .1 .0 -.1 -.2
Econometra II
Pgina 36
Null Hypothesis: D(BANCOS) has a unit root Exogenous: Constant, Linear Trend Lag Length: 2 (Automatic based on SIC, MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -10.53075 -4.045236 -3.451959 -3.151440 Prob.* 0.0000
Augmented Dickey-Fuller Test Equation Dependent Variable: D(BANCOS,2) Method: Least Squares Date: 07/19/08 Time: 00:20 Sample (adjusted): 1999M06 2008M05 Included observations: 108 after adjustments Variable D(BANCOS(-1)) D(BANCOS(-1),2) D(BANCOS(-2),2) C @TREND(1999M01) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.101670 0.707963 0.344371 0.001669 -1.40E-05 0.694237 0.682363 0.073559 0.557320 131.1589 2.092227 Std. Error 0.199575 0.147684 0.091225 0.015063 0.000227 t-Statistic -10.53075 4.793757 3.774941 0.110768 -0.061612 Prob. 0.0000 0.0000 0.0003 0.9120 0.9510 0.001061 0.130517 -2.336277 -2.212104 58.46563 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Econometra II
Pgina 37
SECTOR MINERAS:
Econometra II
Pgina 38
Hodrick-Prescott Filter (lambda=14400) .4 .3 .2 .1 .3 .2 .1 .0 -.1 -.2 -.3 99 00 01 02 03 04 05 06 07 Cycle 08 MINERAS Trend .0 -.1 -.2
Econometra II
Pgina 39
Null Hypothesis: D(MINERAS) has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on SIC, MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -12.19761 -4.044415 -3.451568 -3.151211 Prob.* 0.0000
Augmented Dickey-Fuller Test Equation Dependent Variable: D(MINERAS,2) Method: Least Squares Date: 07/19/08 Time: 00:25 Sample (adjusted): 1999M05 2008M05 Included observations: 109 after adjustments Variable D(MINERAS(-1)) D(MINERAS(-1),2) C @TREND(1999M01) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.857235 0.353136 -0.004517 4.92E-05 0.724548 0.716678 0.089903 0.848663 109.9573 2.084610 Std. Error 0.152262 0.092000 0.018067 0.000274 t-Statistic -12.19761 3.838442 -0.250012 0.179786 Prob. 0.0000 0.0002 0.8031 0.8577 -0.000302 0.168901 -1.944170 -1.845405 92.06376 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Econometra II
Pgina 40
b) SECTOR SERVICIOS:
Hodrick-Prescott Filter (lambda=14400) .2 .1 .2 .1 .0 -.1 -.2 99 00 01 02 03 04 05 06 07 Cycle 08 SERVICIOS Trend .0 -.1 -.2
Null Hypothesis: D(SERVICIOS) has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on SIC, MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -12.70684 -4.044415 -3.451568 -3.151211 Prob.* 0.0000
Econometra II
Pgina 41
Augmented Dickey-Fuller Test Equation Dependent Variable: D(SERVICIOS,2) Method: Least Squares Date: 07/19/08 Time: 00:29 Sample (adjusted): 1999M05 2008M05 Included observations: 109 after adjustments Variable D(SERVICIOS(-1)) D(SERVICIOS(-1),2) C @TREND(1999M01) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.869914 0.382990 -0.003375 3.96E-05 0.726556 0.718743 0.056294 0.332741 160.9854 2.064980 Std. Error 0.147158 0.089481 0.011308 0.000171 t-Statistic -12.70684 4.280150 -0.298469 0.231160 Prob. 0.0000 0.0000 0.7659 0.8176 -0.001141 0.106147 -2.880467 -2.781702 92.99686 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
c) SECTOR DIVERSAS:
Econometra II
Pgina 42
Hodrick-Prescott Filter (lambda=14400) .3 .2 .1 .3 .2 .1 .0 -.1 -.2 -.3 99 00 01 02 03 04 05 06 07 Cycle 08 DIVERSAS Trend .0 -.1 -.2 -.3
Null Hypothesis: D(DIVERSAS) has a unit root Exogenous: Constant, Linear Trend Lag Length: 3 (Automatic based on SIC, MAXLAG=12)
Econometra II
Pgina 43
t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -8.573637 -4.046072 -3.452358 -3.151673
Prob.* 0.0000
Augmented Dickey-Fuller Test Equation Dependent Variable: D(DIVERSAS,2) Method: Least Squares Date: 07/19/08 Time: 00:30 Sample (adjusted): 1999M07 2008M05 Included observations: 107 after adjustments Variable D(DIVERSAS(-1)) D(DIVERSAS(-1),2) D(DIVERSAS(-2),2) D(DIVERSAS(-3),2) C @TREND(1999M01) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.306242 0.843506 0.501989 0.353608 -0.001030 1.85E-05 0.749540 0.737141 0.084603 0.722917 115.5286 2.100735 Std. Error 0.268992 0.226280 0.162663 0.091039 0.017648 0.000265 t-Statistic -8.573637 3.727710 3.086060 3.884160 -0.058393 0.070008 Prob. 0.0000 0.0003 0.0026 0.0002 0.9536 0.9443 0.001864 0.165014 -2.047263 -1.897385 60.45157 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
a) SECTOR BANCOS:
Dependent Variable: BANCOS Method: ML - ARCH (Marquardt) - Normal distribution
Econometra II
Pgina 44
Date: 07/19/08 Time: 00:50 Sample (adjusted): 1999M02 2008M05 Included observations: 112 after adjustments Convergence achieved after 9 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 Coefficient C 0.006650 Std. Error 0.007093 z-Statistic 0.937565 Prob. 0.3485
Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 0.003992 0.288997 -0.003354 -0.021764 0.075217 0.616683 135.2203 0.000669 0.155715 5.966141 1.855941 0.0000 0.0635 0.010940 0.074412 -2.361077 -2.288260 1.231381
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
b) SECTOR MINERAS:
Dependent Variable: MINERAS Method: ML - ARCH (Marquardt) - Normal distribution
Econometra II
Pgina 45
Date: 07/19/08 Time: 00:51 Sample (adjusted): 1999M02 2008M05 Included observations: 112 after adjustments Convergence achieved after 11 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 Coefficient C 0.030239 Std. Error 0.008564 z-Statistic 3.530969 Prob. 0.0004
Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 0.007090 0.073609 -0.000009 -0.018357 0.088528 0.854253 114.2851 0.001161 0.099436 6.106429 0.740262 0.0000 0.4591 0.029984 0.087726 -1.987234 -1.914417 1.315816
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
c) SECTOR SERVICIOS:
Dependent Variable: SERVICIOS Method: ML - ARCH (Marquardt) - Normal distribution Date: 07/19/08 Time: 00:48
Econometra II
Pgina 46
Sample (adjusted): 1999M02 2008M05 Included observations: 112 after adjustments Convergence achieved after 22 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 Coefficient C 0.010875 Std. Error 0.004743 z-Statistic 2.292552 Prob. 0.0219
Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 0.002875 -0.046460 -0.000058 -0.018408 0.053259 0.309184 171.6260 0.000311 0.048061 9.255423 -0.966705 0.0000 0.3337 0.011275 0.052776 -3.011178 -2.938361 1.467467
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
d) SECTOR DIVERSAS:
Dependent Variable: DIVERSAS Method: ML - ARCH (Marquardt) - Normal distribution Date: 07/19/08 Time: 00:53 Sample (adjusted): 1999M02 2008M05
Econometra II
Pgina 47
Included observations: 112 after adjustments Convergence achieved after 7 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 Coefficient C 0.020842 Std. Error 0.009569 z-Statistic 2.178039 Prob. 0.0294
Variance Equation C RESID(-1)^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 0.007332 0.154436 -0.000521 -0.018879 0.094722 0.977974 108.0935 0.001307 0.141794 5.611513 1.089162 0.0000 0.2761 0.018711 0.093840 -1.876671 -1.803854 1.104248
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
Econometra II
Pgina 48
Dependent Variable: REND_BANCOS Method: ML - ARCH (Marquardt) - Normal distribution Date: 07/19/08 Time: 23:29 Sample (adjusted): 1999M02 2008M05 Included observations: 112 after adjustments Convergence achieved after 12 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) Coefficient C 0.007400 Std. Error 0.006982 z-Statistic 1.059845 Prob. 0.2892
Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 0.007104 0.179252 -0.549212 -0.002284 -0.030125 0.075524 0.616025 138.2810 0.002525 0.084255 0.331660 2.813392 2.127482 -1.655946 0.0049 0.0334 0.0977 0.010940 0.074412 -2.397875 -2.300785 1.232695
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
Econometra II
Pgina 49