UNIVERSIDAD NACIONAL DEL CENTRO DEL PERU Facultad de Economa

Proyecto de Investigacin

ESPERADO EN LA INVERSION EN LA BOLSA DE VALORES DE LIMA DE LOS SECTORES: BANCOS, MINERAS, SERVICIOS Y DIVERSAS

RIESGO

FECHA DE INICIO : Julio de 2008 FECHA DE CULMINACIN : Julio de 2008 EJECUTORES APELLIDOS Y NOMBRES Cano Basilio, Noem Martnez Chanca, Smith Porta Velsquez, Elas : OCUPACIN Estudiante Estudiante Estudiante FIRMA

CATEDRTICO

: Jess Chvez Villarroel

FACULTAD DE ECONOMIA

Huancayo, Julio del 2008

DEDICATORIA
El presente proyecto de investigacin realizado con gran esfuerzo, esta dedicado a todo aquel personaje que impulsa el mercado financiero y que prev sus riesgos.

UNCP-2008

FACULTAD DE ECONOMIA

INTRODUCCIN
El riesgo es la posibilidad de afrontar prdidas en bienes o personas como resultado de la ocurrencia de un cambio. Esto conduce a definir como caracterstica propia del riesgo el ser objetivo y cuantificable, lo cual lo distingue de la incertidumbre que por el contrario es subjetiva y no cuantificable. El reconocimiento de la existencia del riesgo conduce inevitablemente a los conceptos de previsin y de prevencin, los cuales se refieren a las medidas que se toman para evitar la materializacin de un riesgo al cual se est expuesto y a los pasos a seguir en caso de que el riesgo se convierta en la ocurrencia de un cambio adverso. El desarrollo de la actividad comercial al mismo tiempo que dio origen al desarrollo de la actividad bancaria y a esquemas de financiamiento cada vez ms complejos, inevitablemente condujo a la posibilidad de afrontar prdidas por variaciones en precios de bienes y del valor de las monedas. Hoy en da, la presencia en la vida cotidiana de los mercados financieros es inocultable; los espacios en los cuales se comercializan bonos gubernamentales, acciones de industria y comercio, futuros sobre bienes u opciones sobre tasas; influyen en la vida cotidiana de la poblacin mundial. Dicho en otras palabras, la cobertura de riesgos ha estado altamente relacionada con los actuales mercados financieros desde el origen de stos. As, la marcada tendencia a la globalizacin que ha experimentado la economa mundial en los ltimos aos ha generado cambios de suma importancia en los sistemas financieros. Esta transformacin se ha venido manifestando a travs de: la mayor movilidad de los recursos financieros, el incremento en la volatilidad de los mismos y la creciente diversificacin de instrumentos financieros. Como consecuencia de estos cambios, los sectores que participan en el sistema financiero han experimentado una mayor exposicin ante los riesgos generados por este mercado. La transformacin experimentada por el sistema financiero ha ocasionado que las compaas se encuentren expuestas a diferentes tipos de riesgos que pueden afectar su operacin y resultados. El conocer estos riesgos as como el contar con elementos que permitan evaluar el posible
3

UNCP-2008

FACULTAD DE ECONOMIA impacto que pueden causar a la empresa es indispensable para prevenirlos o bien para tomar las medidas adecuadas para minimizar las prdidas potenciales. Entre los distintos tipos de riesgo financiero que inciden sobre su actividad podemos encontrar el: riesgo de mercado, riesgo de crdito, riesgo de liquidez, riesgo operacional y riesgo legal. El objetivo del presente proyecto de investigacin es enfatizar la importancia que tienen los sistemas de administracin de riesgos financieros como instrumentos que permitan a las compaas minimizar las posibles prdidas en los mercados financieros como no financieros y que a la vez les permitan enfocarse en el desarrollo de ventajas competitivas para dentro de sus respectivos sectores.

UNCP-2008

FACULTAD DE ECONOMIA

RESUMEN
La marcada tendencia a la globalizacin que ha experimentado la economa mundial en los ltimos aos ha generado cambios de suma importancia en los sistemas financieros, y como consecuencia de estos cambios, los sectores que participan en el sistema financiero han experimentado una mayor exposicin ante los riesgos generados por este mercado. La transformacin experimentada por el sistema financiero ha ocasionado que las compaas se encuentren expuestas a diferentes tipos de riesgos que pueden afectar su operacin y resultados. Pero al conocer estos riesgos as como el contar con elementos que permitan evaluar el posible impacto que pueden causar a la empresa es indispensable para prevenirlos o bien para tomar las medidas adecuadas para minimizar las prdidas potenciales. El objetivo del presente proyecto de investigacin es enfatizar la importancia que tienen los sistemas de administracin de riesgos financieros como instrumentos que permitan a las compaas minimizar las posibles prdidas en los mercados financieros como no financieros y que a la vez les permitan enfocarse en el desarrollo de ventajas competitivas para dentro de sus respectivos sectores. Para cumplir con el objetivo del proyecto, en gran parte del mismo se proporcionan definiciones y parte del marco terico relevante para comprender la necesidad de la administracin de riesgos de tipo financiero. Posteriormente, se realiza un anlisis del comportamiento histrico de algunas variables financieras y los efectos que estas generan sobre el desempeo de las entidades financieras. Ms adelante, se realiza una descripcin de la herramienta ms conocida en la administracin de Riesgo de Mercado: el Valor en Riesgo (VaR). En este apartado, se pone nfasis en el hecho de que si bien dicha herramienta es relativamente conocida, no ha terminado de ser plenamente comprendida, por lo que se realiza una rpida descripcin de la metodologa de su estimacin, sus alcances y limitaciones. Por ltimo, este proyecto presenta los puntos ms relevantes como conclusiones de los elaboradores y as mismo ciertas recomendaciones para mejorar la situacin de un riesgo financiero.

UNCP-2008

FACULTAD DE ECONOMIA

I. DESCRIPCION DEL PROYECTO 1.1. PLANTEAMIENTO DEL PROBLEMA:

En la realidad de nuestra economa, el mercado financiero actualmente se ha ido incrementado; as mismo el conjunto de las entidades financieras, en la labor que realizan, experimentan un nivel de riesgo. Existe una constante interaccin entre variables financieras que se ven mayormente afectadas en los periodos de crisis como son: el tipo de cambio, la tasa de inters y el comportamiento del mercado accionario, entre otras. Y existen tambin determinados sectores de actividades econmicas que influyen en el comportamiento del mercado financiero, de los cuales los ms resaltantes son: Bancos, Mineras, Servicios y Diversas. El presente proyecto de investigacin esta orientado a analizar los efectos que estos generan sobre el mercado financiero, con el fin de proporcionar un anlisis ms ordenado que contribuya en lo posible a controlar un riesgo financiero.

1.2. JUSTIFICACIN DEL PROBLEMA:

La inversin en bolsa de valores no siempre presagia malos momentos o buenos momentos para invertir. Pocos saben que tambin trae consigo muchas ventajas y desventajas. A continuacin un recuento de los riesgos y ventajas de invertir en un bolsa con tendencia bajista. Los riesgos que trae consigo son indiscutibles, muchos expertos recomiendan desde muchsima precaucin hasta la abstencin o reduccin del capital invertido, pues los peligros ms comunes son: Prdida o disminucin de la inversin, que puede empeorarse si el periodo bajista se alarga por ms de dos aos.

UNCP-2008

FACULTAD DE ECONOMIA Bajas ventas como consecuencia de la falta de liquidez; vender con una marcada tendencia bajista es casi imposible. Inversiones estancadas y menos oportunidades de inversin. El caso es que el ndice General de la BVL -el ms importante del mercado burstil limeo y del Per, Por ejemplo pierde ayer un 2 %,Con lo cual el ndice acumul una disminucin del 10.4 % por ejemplo en el lapso sealado. Vindolo didcticamente, este amenazador resultado significa que si un inversionista apost 100 nuevos soles un da antes del primero de mes pasado, perdi 10.4 nuevos soles hasta el 15 del mismo mes (ayer), es decir, su capital se le redujo a 89.6 nuevos soles, lo cual es sustancialmente menor. Entre los probables factores explicativos de esta cada sobresalen el descenso de los precios internacionales de los metales, la actuacin negativa de las principales bolsas de valores del mundo, por cuanto en la BVL el sector minero tiene una presencia preponderante; y ante el nebuloso panorama asociado a la crisis del sector inmobiliario norteamericano que es un dolor de cabeza dentro y fuera de ese pas. En tal sentido este trabajo ha sido realizado con el objeto de Realizar algunos anlisis de inversin en bolsa de valores de las empresas de los diferentes sectores, MIneria, Bancos, Servicios, etc. Ademas satisfacer inquietudes del publico en general.

1.3. FORMULACION DEL PROBLEMA:

a) PROBLEMA GENERAL: Cul es el riesgo implcito en una inversin financiera o llamado tambin la perdida esperada en un portafolio financiero? prdida esperad b) PROBLEMA ESPECIFICO: Cul es el comportamiento dinmico de cada sector de inversin financiera? Cules son las variables causantes de riesgo financiero en una inversin? Cual es el sector de inversin financiera que esta ms propensa a sufrir un riesgo?

1.4. OBJETIVO:
a) OBJETIVO GENERAL: Analizar el riesgo implcito en una inversin financiera o llamado tambin la perdida esperada en un portafolio financiero. b) OBJETIVO ESPECIFICO:

UNCP-2008

FACULTAD DE ECONOMIA

Verificar el supuesto de heterocedasticidad de la serie, es decir observar el comportamiento de la varianza de esta. Hallar las variables causantes de riesgo financiero en una inversin y analizar el comportamiento de cada una de ellas. Determinar las perdidas esperadas en un portafolio financiero.

1.5. METODOS:
El principal mtodo que se va ah emplear para desarrollar el presente proyecto de investigacin es el VaR, puesto que el Valor en Riesgo es un mtodo para cuantificar la perdida que se podra sufrir en condiciones normales de mercados, utilizando tcnicas estadsticas tradicionales. De ello que este es una medida estadstica de riesgo utilizada frecuentemente por instituciones que desean medir los riesgos en portafolios de inversin.

1.6. 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.

1.7. 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.

1.8. DISEO METODOLOGICO:

a) POBLACION: La poblacin de estudio del presente proyecto de investigacin esta orientada a todas las entidades financieras registradas por la SBS. b) MUESTRA:

UNCP-2008

FACULTAD DE ECONOMIA 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 1998 al 2008 haciendo un total de 113 observacione.

III. MARCO TEORICO:

2.1. ESTADO DEL ARTE:
Despus de una revisin de trabajos relacionados al nuestro, se encontr lo siguientes:

RIESGO, RENTABILIDAD Y EFICIENCIA DE CARTERAS DE VALORES. Autor: Fuensanta Galn Herrero, 2000.1 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 basados en el estudio de los estados financieros de las empresas y del sector en el que desarrollan su actividad. EL MERCADO VELEZOLANO DE CAPITALES ES SEGURO Y TRANSPARENTE. Autor: Comisin Nacional De Valores, 2006.2 El mercado de capitales es un elemento fundamental para el crecimiento econmico de un pas. Por una parte, ofrece a los inversores individuales e institucionales diversos tipos de ttulos valores para diversificar sus inversiones ajustndose a sus preferencias de riesgo y rendimiento esperado, y, por la otra, permite a las empresas y al Estado obtener fondos del pblico con la finalidad de financiar sus actividades econmicas y sociales, lo cual se traduce en mayor produccin de bienes y servicios, generacin de empleos, y en general, en bienestar econmico y social.
1

www.edesclee.com/Pdf/19031.pdf www.cnv.gob.ve/documentos/artespeciales/marzo2006/articuloespecial_1_22032006.pdf

UNCP-2008

FACULTAD DE ECONOMIA

INVERSIONES EN ACCIONES Y PORTAFOLIOS DE INVERSIN. Autor: Arturo Morales Castro, 2003.3 Si el objetivo es que el capital financiero se incremente, invertir es seguramente la mejor manera de lograrlo. Si se invierte bien se est asegurando el futuro, porque se incrementan los ahorros. Pero para ello es aconsejable que se tome tiempo para pensar un poco e informarse. Si se busca que la inversin sea muy rentable se van a correr muchos riegos, entre ellos la posibilidad de perder parte de los ahorros. En cambio, si se prefiere una inversin ms segura, las ganancias que se pueden esperar son menores. SECTOR FINANCIERO PERCIBE RIESGO EN INVERSIONES MINERAS. Autor: Representante general de IMC, 12 de Junio del 2008.4 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. LA BOLSA DE VALORES DE LIMA: LA MS RENTABLE DEL MUNDO. Autor: Carlos Ral CONGONA REVILLA, 2006.5 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
3

www.joseacontreras.net/finan/invpregclav.pdf www.imcportal.com/newsfiles/20080615031218.pdf

www.isppd.net/publicaciones/PUBLICACION_BOLSA%20DE %20VALORES_CARLOS_CONGONA_REVILLA.pdf

UNCP-2008

10

FACULTAD DE ECONOMIA

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 MEDIDAS DEL RIESGO FINANCIERO. Autor: Rafael Romo Meza, U chile.2000.6 Este trabajo es una continuacin del artculo Definiendo un Programa de Administracin de Riesgos Financieros aparecida en la edicin N 148 de esta misma revista. El objetivo de esta serie de documentos es presentar los ltimos avances en materia de administracin de riesgos financieros y sus lecciones para empresas que participan en economas emergentes como la chilena .En esta ocasin nos centraremos en las medidas de riesgo financiero que han sido propuestas en los ltimos diez aos. Aunque este es un tema eminentemente tcnico, sin embargo tiene profundas implicancias prcticas. Una apropiada medicin de riesgos es fundamental para una correcta gestin de riesgo de las empresas, as como una apropiada regulacin del sistema financiero. 2.2. TEORIAS METODOLOGICAS:
a) Riesgos en las instituciones financieras

Donde se hace una definicin de las funciones de intermediacin y se analizan: los tipos de riesgos, la aplicacin de la distribucin normal, una definicin formal del riesgo, los rendimientos compuestos continuamente y los modelos para estimar el comportamiento de los rendimientos. Concluye con modelos de portafolio, el principio de diversificacin, Capital Asset Pricing Model (CAPM) y Arbitrage Pricing Theory (APT).
b) Tipos de riesgo: Riesgo de liquidez

El autor parte de la violacin de los supuestos y llega a una definicin de riesgos de liquidez. El anlisis plantea la estimacin del VaR ajustado por el riesgo de
6

www.facea.uchile.cl/download.jsp?document=38361&property=attachment&index=4&content

UNCP-2008

11

FACULTAD DE ECONOMIA

liquidez, el riesgo de liquidez, el "spread" y el horizonte de inversin segn Basilea y en la eleccin ptima del horizonte de inversin, concluyenndo con otras aproximaciones.
Riesgo de crdito
7

Este capitulo parte de la definicin y la naturaleza del problema. Analiza los modelos para estimar el riesgo de crdito: el modelo paramtrico, CreditMetrics, Credit Risk +, el modelo binominal de riesgo neutral y modelos de probabilidad de incumplimiento condicional.
Riesgo operativo

Definicin, importancia del riesgo operativo, clasificacin de los riesgos operativos, estimacin del riesgo operativo, un modelo de riesgo operativo, ejemplos de quebrantos a causa de eventos operativos, control del riesgo operativo, medidas de comportamiento ajustadas por riesgo.
c)

Valor en Riesgo (VaR)8:

Es un mtodo para cuantificar la exposicin al riesgo de mercado, utilizando tcnicas estadsticas tradicionales. El Valor en Riesgo mide la prdida que se podra sufrir en condiciones normales de mercado en un intervalo de tiempo y con un cierto nivel de probabilidad o de confianza. Es una medida estadstica de riesgo utilizada frecuentemente por instituciones que desean medir los riesgos en portafolios de inversin. Por ejemplo, un inversionista que tiene un portafolio de activos por un valor de 10 millones de pesos, podra establecer que el VaR diario de su portafolio es $250,000 con un 95% de nivel de confianza. En otras palabras, solamente 1 da de cada 20 das de operacin del mercado (1/20 = 5%), en condiciones normales, la prdida que ocurrir puede ser igual o mayor a $250,000.00.
7

http:publicaciones/TEXTOS/riesgo.htm http://www.riesgofinanciero.com/pr06.htm

UNCP-2008

12

FACULTAD DE ECONOMIA

Kurtosis es una medida estadstica que describe el apuntamiento o achatamiento de una cierta distribucin con respecto a una distribucin normal. La kurtosis positiva indica una distribucin relativamente apuntada, y la negativa indica una distribucin relativamente achatada. En una distribucin normal la kurtosis es igual a 3, a los valores mayores a 3 se los llama kurtosis excesiva. El caso de kurtosis excesiva indica que hay una mayor probabilidad de que los retornos observados estn ms alejados de la media que en una distribucin normal. Leptokurtosis se denomina al atributo de una distribucin con muy altos ndices de kurtosis. Skewness o sesgo: Medida estadstica que describe la simetra de la distribucin alrededor de un promedio. Si el sesgo es igual a cero, la distribucin es simtrica; si el sesgo es positivo la distribucin una tendr una cola asimtrica extendida hacia los valores positivos. Un sesgo negativo indica una distribucin con una cola asimtrica extendida hacia los valores negativos.

d) Modelos de valor en riesgo de mercado:

Donde se analizan: modelos de simulacin histrica, modelos de portafolio o de varianza-covarianza, adecuaciones al modelo de portafolio [ Modelos de Mezcla de Normales, Modelos Delta-Gamma, Modelo DeltaVaR], modelos de simulacin de Monte Carlo ( explicando los modelos para simular el comportamiento de los precios y los mtodos para generar nmeros aleatorios adems de describir procedimientos para simular el comportamiento de variables correlacionadas a partir de variables aleatorias usando anlisis de los componentes principales y aplicando la factorizacin de Cholesky). Concluye con otras aproximaciones incluyendo la aplicacin de Duracin y Convexidad.
e) Estimacin del VaR de los instrumentos financieros y derivados9:

Donde se analizan: acciones, divisas, instrumentos de deuda o de renta fija, clases de instrumentos de deuda, eleccin de los factores de riesgo, ajuste de la curva de rendimiento y mtodos de interpolacin [interpolacin lineal, "alambrada", regresin, "mapping" de RiskMetrics, y modelos tericos de la estructura intertemporal de tasas de inters] y estimacin del valor en riesgo. Adems este
9

http:www.riesgofinanciero.com/0424LibroVaRcsc.

UNCP-2008

13

FACULTAD DE ECONOMIA

captulo tiene secciones especficas sobre: futuros, "forwards" y "swaps". Finalmente, la seccin sobre opciones incluye la eleccin del modelo y parmetros de valuacin, comentarios sobre las limitaciones del modelo de Black & Scholes y la eleccin del modelo de valor en riesgo.
f) VaR para Distribuciones Normales10:

Si la distribucin puede ser supuesta como normal, el clculo es simplificado en forma considerable. Por medio del uso de un factor multiplicativo, C, que es una funcin del nivel de confianza, VaR puede ser derivado directamente de la desviacin estndar del portafolio. Para reportar VaR a un 99% de nivel de confianza, el 1% de probabilidad de la cola izquierda de una distribucin normal puede ser encontrada de una tabla normal estndar, en este caso C es 2,325. El resultado clave es que VaR es proporcional a la desviacin estndar. Esta simpleza explica el gran auge de VaR aplicada para distribuciones normales. Como ya fue mencionado, si la distribucin de retornos es normal o distribucin-t, VaR cumple con las propiedades de coherencia de las medidas de riesgo. El problema de VaR radica en que no es posible sostener que la distribucin de los retornos para la mayora de los activos se comporte normal, sino que en general presentan sesgo (skewness), leptocurtosis y/o colas anchas. Hay una gran variedad de formas en que puede ser calculado VaR. Si las empresas usan distintos mtodos de clculo para el mismo portafolio pueden llegar a distintos nmeros de VaR. Hay ventajas y desventajas en cada mtodo de clculo y no hay la mejor forma de hacerlo. Por lo tanto, cuando se utiliza VaR es importante considerar el mtodo de cmputo y la significancia estadstica de los resultados. Los tres mtodos ms comunes de clculo de VaR son: correlacin, simulacin histrica y simulacin de Monte Carlo. Todos los mtodos utilizan parmetros derivados de datos de precios histricos y valoran el portafolio en el perodo siguiente. Para mayor detalle sobre todos los mtodos para calcular VaR se puede consultar al autor del artculo o bien consultar el libro de Hull (2003).A continuacin desarrollaremos un ejemplo para determinar VaR cuando el portafolio est formado por dos activos y los retornos son normales. 2.3. MARCO CONCEPTUAL:
a)Volatilidad

10

http:rromero@negocios.uchile.cl 14

UNCP-2008

FACULTAD DE ECONOMIA

Donde el autor plantea la relevancia de la volatilidad en la estimacin del valor en riesgo, hace una definicin y define las principales caractersticas de la volatilidad. Analiza las caractersticas de modelos para estimar la volatilidad: estimacin paramtrica, promedios mviles, modelos ARMA y GARCH, promedios mviles ponderados exponencialmente y otros modelos. Adems enfoca la comparacin de los modelos de volatilidad y la volatilidad implcita.

b)

Correlaciones

Donde se inicia el anlisis con adecuadas advertencias y se enfocan los modelos para estimar la correlacin [Estimacin paramtrica - Mtodo de promedios mviles - Promedios mviles ponderados exponencialmente - Modelos GARCH(GARCH1.1, escalar GARCH, correlacin lineal constante, factores ARCH, modelos multivariados)]. Este captulo concluye tratando la correlacin implcita y la correlacin no lineal. Control integral de riesgos Ac se enfocan los requerimientos de un sistema integral de indicadores de riesgo [considerando sobre todo eventos extremos, indicadores de concentracin y backtesting], la agregacin de riesgos y la importancia de la aplicacin del Valor en Riesgo en las instituciones no financieras. Medidas de comportamiento ajustadas por riesgo Donde, para concluir la obra, se tratan los indicadores de riesgo-rendimiento, la precaucin necesaria en la estimacin de los rendimientos ajustados por riesgo y los criterios necesarios para la instrumentacin de un modelo de asignacin de capital. DISEO ECONOMTRICO DE LOS MODELOS DE VALOR EN RIESGO (VaR) El valor en riesgo se define tcnicamente como una medida probabilstica, una expectativa o esperanza matemtica de prdidas, esto es, la probabilidad matemtica asociada a la ocurrencia media de un fenmeno multiplicada por el valor econmico de ese fenmeno. La informacin que arrojan los modelos VaR consiste por tanto en una cifra de prdidas pecuniarias mximas asociada a una probabilidad numrica de ocurrencia, un nivel de confianza estadstico y un plazo temporal. La implicacin final del clculo VaR es informar sobre la probabilidad de que una empresa financiera sufra prdidas econmicas de gran

UNCP-2008

15

FACULTAD DE ECONOMIA

magnitud en sus posiciones financieras abiertas en el mercado a causa de una variacin sbita en los precios de mercado de los distintos activos. El clculo del valor en riesgo de una cartera de inversiones se plantea en la prctica como un problema de supercomputacin matemtica: la estimacin de un conjunto de parmetros estadsticos estables en el interior de una matriz gigantesca de covarianzas estadsticas entre movimientos de precios burstiles. Se trata de reducir a una nica cifra que contiene una muestra histrica de grados de sincronizacin temporal entre (a) las desviaciones medias de la rentabilidad esperada de un activo financiero individual (b) las de todos y cada uno de los miles de activos alternativos que coexisten con l en el mercado. Este clculo no est exento de controversia, pues el significado del numerito en cuestin depende una red subterrnea de supuestos y premisas tericas de base susceptibles de variacin y, por tanto, de crtica. El procedimiento ms empleado para el clculo de cifras VaR es el llamado mtodo histrico, que consta de dos pasos. En primer lugar es necesario disponer de una amplia base de datos histricos de carcter numrico, una seccin muestral del comportamiento a largo plazo de los mercados que permita estimar una serie de tendencias estadsticas robustas en relacin con (a) las cotizaciones medias (b) sus volatilidades (c) sus correlaciones Estos tres tipos de estadsticos mustrales constituyen las variables objeto de tratamiento analtico dentro de un modelo economtrico neoclsico generalizado, un modelo de valoracin competitiva de activos financieros que obedece al consabido principio del anlisis media-varianza de la teora financiera neoclsica.
a) RIESGO FINANCIERO: 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. b) LIQUIDEZ : Naturaleza de ciertos activos por la que son transformables en dinero efectivo de forma inmediata

UNCP-2008

16

FACULTAD DE ECONOMIA c) AJUSTE INTEGRAL DEL CAPITAL: Reexpresin del patrimonio neto al inicio del primer ejercicio de aplicacin. Se reexpresarn 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 reexpresarn en moneda de cierre, mantenindose a su valor no reexpresado, salvo que pudiera demostrarse que se trata de importes que econmicamente y no slo jurdicamente- son exigibles en forma individual y no simples cuentas de regularizacin. La diferencia entre el capital social reexpresado en moneda de cierre y el capital social sin reexpresar se expondr en una cuenta denominada Ajuste del Capital. d) VaR: El Var es un mtodo para cuantificar el riesgo, el cual utiliza tcnicas estadsticas estndar que se usan de maneta rutinaria en otros campos tcnicos. En trminos formales, el VAR mide la peor prdida esperada en un intervalo de tiempo determinado bajo condiciones normales del mercado ante un nivel de confianza dado. El VAR proporciona una medida resumida del riesgo de mercado. El VAR es til para una serie de propsitos. e) ESTADO DE EVOLUCIN DEL PATRIMONIO NETO: Informa la composicin del patrimonio neto y las causas de los cambios acaecidos durante los perodos presentados en los rubros que lo integran. f) ESTADO DE SITUACIN PATRIMONIAL: El estado de situacin patrimonial o balance general expone el activo, el pasivo y el patrimonio neto y, en su caso, la participacin minoritaria en sociedades controladas. g) 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. h) 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.

i) 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
UNCP-2008 17

FACULTAD DE ECONOMIA efectuar una reconfiguracin de la estructura del indicador, tomndose como lapso de referencia los seis meses anteriores.. j) 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.

2.4. HIPOTESIS:
a) HIPOTESIS GENERAL: El riesgo implcito en una inversin financiera o la perdida esperada en un portafolio financiero es 15%. b) HIPOTESIS ESPECIFICA: El comportamiento dinmico de cada sector de inversin financiera es constante en media y no constante en varianza. Las variables causantes de riesgo financiero en una inversin son las expectativas, adems no estn relacionadas con el comportamiento de su pasado. El sector de inversin financiera con mayor riesgo esperado es el Sector de Diversa seguido del Sector de Mineras.

UNCP-2008

18

FACULTAD DE ECONOMIA

IIII. RESULTADO Y ANALISIS:

3.1. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA ESTATICA:
La evidencia aqu presentada muestra que existe diferencias de comportamiento entre los diversos sectores de activos de la bolsa de Valores de Lima, lo que sugiere que diversificar en varios sectores puede mejorar el comportamiento de las carteras. Paralelamente a la lnea de investigacin anterior, numerosos estudios han demostrado que los rendimientos de los diversos sectores pueden ser utilizados para predecir los rendimientos de las Bolsa de valores en general, pero no a la inversa. Las series de rendimientos se obtienen tomando primeras diferencias en el logaritmo de las series de precios. La utilizacin de ndices de mercado, en lugar de carteras, proporciona dos ventajas a los participantes del mercado. En primer lugar, los participantes pueden tomar seales de las cotizaciones de los ndices de mercado, por consiguiente, no es necesario construir carteras y, por otro lado, el coste de la puesta en prctica de estrategias de negociacin se puede reducir debido a la existencia de contratos derivados sobre el ndice de las acciones de las grandes compaas. Sin embargo, la utilizacin de ndices no ajustados por dividendos conlleva cometer un error de tipo sistemtico en la estimacin de las primas de riesgo condicionales que aparecen como variable dependiente en el modelo. Por otro lado, el carcter predecible de la correccin por dividendos provocar que el efecto de este sesgo no afecte de forma significativa a la dinmica del modelo dada la frecuencia semanal de los rendimientos, especialmente a los momentos de segundo orden5.

a) RENDIMIENTO DEL SECTOR BANCOS:

19

UNCP-2008

FACULTAD DE ECONOMIA

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 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).

UNCP-2008

20

FACULTAD DE ECONOMIA 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 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).

3.2. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA DINAMICA:

Al estudiar la relacin dinmica entre las volatilidades de los rendimientos de los sectores hay que tener en cuenta la asimetra de la volatilidad y de la covarianza. El comportamiento asimtrico de la volatilidad hace referencia a la evidencia emprica segn la cual un shock negativo sobre los rendimientos (cada inesperada del precio) conlleva un aumento de la volatilidad mayor que un shock positivo sobre los rendimientos (aumento inesperado del precio) de la misma magnitud. La covarianza asimtrica, por su parte, se refiere a la evidencia emprica segn la cual la covarianza entre los rendimientos de los activos financieros aumenta mas tras shocks negativos que positivos (como se muestra en el cuadro 3.2.1).

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.

UNCP-2008

21

FACULTAD DE ECONOMIA 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 resultados sealan que es importante estudiar con ms detenimiento las relaciones dinmicas en los momentos de segundo orden entre ambos tipos de empresas.

3.3. CALCULO DEL VaR:

En el presente estudio se parametriza la variacin de las volatilidades condicionales y su relacin con los rendimientos medios esperados a travs de un modelo condicional con GARCH en media. En la versin condicional que se asume en este trabajo, el rendimiento en exceso esperado del ndice de empresas grandes es proporcional a la varianza condicional del ndice de empresas grandes y el rendimiento en exceso esperado del ndice de empresas pequeas es proporcional a la covarianza condicional entre el rendimiento del ndice pequeo y del ndice grande, siendo la proporcin (constante) la misma en ambos casos: el precio de mercado al riesgo. Para tener en cuenta el efecto prefestivo en la Bolsa de Valores Lima, se introduce una variable dummy en las ecuaciones de la media condicional. Por tanto, las ecuaciones de la media condicional quedan definidas del siguiente modo3:

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.

UNCP-2008

22

FACULTAD DE ECONOMIA 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. 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.

UNCP-2008

23

FACULTAD DE ECONOMIA

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.

UNCP-2008

24

FACULTAD DE ECONOMIA 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.

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.

UNCP-2008

25

FACULTAD DE ECONOMIA

BIBLIOGRAFA
DIRECCIONES DE INTERNET:

http://www.bvl.com.pe/publicaciones.html www.diccionariobursatil.com www.bolsar.com/NET/Capacitacion/Diccionario/Diccionario.aspx http:www.riesgofinanciero.com/0424LibroVaRcsc. www.edesclee.com/Pdf/19031.pdf www.cnv.gob.ve/documentos/artespeciales/marzo2006/articuloespecial_1_22032006.pdf www.joseacontreras.net/finan/invpregclav.pdf http:publicaciones/TEXTOS/riesgo.htm

UNCP-2008

26

FACULTAD DE ECONOMIA

INDICE INTRODUCCIN....(1) RESUMEN........(3) I. DESCRIPCION DEL PROYECTO.............................................(5)

1.1. PLANTEAMIENTO DEL PROBLEMA.(5) 1.2. JUSTIFICACIN DEL PROBLEMA.(5) 1.3. FORMULACION DEL PROBLEMA..(6) 1.4. OBJETIVO..(6) 1.5. METODOS... (7) 1.6. METODOLOGA.... (7) 1.7. MATERIALES....(7) 1.8. DISEO METODOLOGICO....(7)
II.

MARCO TEORICO......(8)
2.1. ESTADO DEL ARTE...(8) 2.2. TEORIAS METODOLOGICAS...(10) 2.3. MARCO CONCEPTUAL......(14) 2.4. HIPOTESIS.....(17)

III.

RESULTADO Y ANALISIS...(18)

UNCP-2008

27

FACULTAD DE ECONOMIA

3.1. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA ESTATICA..(18) 3.2. DESCRIPCION DEL RENDIMIENTO DE LA INVERSION EN FORMA DINAMICA.....(19) 3.3. CALCULO DEL VaR.....(20)

CONCLUSION...(22) RECOMENDACIN....(23) BIBLIOGRAFA... ..(24) ANEXOS...(25)

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

UNCP-2008

28

FACULTAD DE ECONOMIA

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

Grafica 3.1.2 (b)

20 16 12 8 4 0 -0.2 -0.1 -0.0 0.1 0.2 0.3

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

UNCP-2008

29

FACULTAD DE ECONOMIA

Kernel Density (Normal, h = 0.0306) 5 4 3 2 1 0 -.2 -.1 .0 .1 .2 .3 REND_ESTATICO_MINERAS

Grafica 3.1.2 (c)

16

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

UNCP-2008

30

FACULTAD DE ECONOMIA

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

Grafica 3.1.2 (d)

20

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

UNCP-2008

31

FACULTAD DE ECONOMIA

Kernel Density (Normal, h = 0.0311) 5 4 3 2 1 0 -.3 -.2 -.1 .0 .1 .2 .3 REND_ESTATICO_DIVERSAS

Tabla 3.1.1. Principales Estadsticos de las Series de Rendimientos de Cada Sector

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 32

UNCP-2008

FACULTAD DE ECONOMIA

Jarque-Bera Probability Sum Sum Sq. Dev. Observations

5.739269 0.056720 1.225296 0.614622 112

10.10591 0.006390 1.262813 0.309166 112

3.189991 0.202909 3.358196 0.854246 112

2.249170 0.324787 2.095614 0.977465 112

Cuadro 3.2.1 Matriz de Covarianzas

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

DIVERSAS 0.002530 0.004228 0.001879 0.008727

Grficos
Grfico 1. Evolucin de los ndices durante el periodo de estudio

UNCP-2008

33

FACULTAD DE ECONOMIA

Grfico 2. Volatilidad condicional anualizada de los ndices durante el periodo de estudio

UNCP-2008

34

FACULTAD DE ECONOMIA
.3

.2 .1

.0 -.1 -.2 99 00 01 02 03 04 05 06 07 08

REND_DINAMICO_BANCOS

UNCP-2008

35

FACULTAD DE ECONOMIA

.4 .3 .2 .1 .0 -.1 -.2 99 00 01 02 03 04 05 06 07 08

REND_DINAMICO_MINERAS .3 .2 .1 .0 -.1 -.2 99 00 01 02 03 04 05 06 07 08

REND_DINAMICO_BANCOS

UNCP-2008

36

FACULTAD DE ECONOMIA

.2

.1

.0

-.1

-.2 99 00 01 02 03 04 05 06 07 08

REND_DINAMICO_SERVICIOS

UNCP-2008

37

FACULTAD DE ECONOMIA

.3 .2 .1 .0 -.1 -.2 -.3 99 00 01 02 03 04 05 06 07 08

REND_DINAMICO_DIVERSAS
2. ESTACIONALIDAD DE LOS RENDIMIENTOS DE LOS SECTORES:

2.1 RENDIMIENTO DEL SECTOR BANCOS Tabla 2.1

Date: 07/19/08 Time: 17:54 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . |*** . |. . |. . |* . |* .*|. . |. . |. . |* . |* . |* . |* | | | | | | | | | | | | Partial Correlation . |*** .*|. . |. . |* . |. .*|. . |* . |. . |. . |* . |* . |. | | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 12 AC 0.381 0.048 -0.027 0.114 0.119 -0.065 -0.024 0.059 0.097 0.108 0.148 0.179 PAC 0.381 -0.115 -0.004 0.157 0.014 -0.145 0.095 0.042 0.016 0.102 0.127 0.065 Q-Stat 16.738 17.000 17.087 18.610 20.300 20.805 20.876 21.300 22.470 23.921 26.680 30.785 Prob 0.000 0.000 0.001 0.001 0.001 0.002 0.004 0.006 0.008 0.008 0.005 0.002

UNCP-2008

38

FACULTAD DE ECONOMIA
. |* . |. . |* . |* . |. . |. . |. . |* . |. . |. . |. . |. .*|. . |. . |* . |* . |* . |. . |. . |. . |. . |. .*|. . |. | | | | | | | | | | | | | | | | | | | | | | | | . |. . |. . |* . |* .*|. . |* . |. . |. . |. . |* .*|. .*|. . |. . |. . |. . |. . |. .*|. . |. . |. . |. .*|. . |. . |. | | | | | | | | | | | | | | | | | | | | | | | | 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

2.2 RENDIMIENTO DEL SECTOR MINERAS Tabla 2.2

Date: 07/19/08 Time: 17:56 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . |*** . |* . |** . |* . |* . |. . |. . |* . |. . |* . |* | | | | | | | | | | | Partial Correlation . |*** . |. . |* . |. . |* .*|. . |. . |* .*|. . |* . |. | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 AC 0.336 0.165 0.210 0.100 0.141 0.053 0.046 0.136 0.011 0.110 0.110 PAC 0.336 0.058 0.157 -0.022 0.103 -0.059 0.030 0.093 -0.072 0.118 0.015 Q-Stat 12.964 16.109 21.297 22.470 24.845 25.182 25.444 27.703 27.718 29.234 30.771 Prob 0.000 0.000 0.000 0.000 0.000 0.000 0.001 0.001 0.001 0.001 0.001 39

UNCP-2008

FACULTAD DE ECONOMIA
. |* . |. . |. . |. . |. . |. . |. . |. . |. . |. . |. . |. .*|. . |. .*|. .*|. . |. . |. .*|. . |. . |. . |. . |. . |. .*|. | | | | | | | | | | | | | | | | | | | | | | | | | . |. .*|. . |. .*|. . |. . |. . |. . |. . |. . |. . |. . |. .*|. . |. .*|. . |. . |* . |. . |. . |. . |. . |. . |. .*|. .*|. | | | | | | | | | | | | | | | | | | | | | | | | | 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

2.3 RENDIMIENTO DEL SECTOR SERVICIOS Tabla 2.3

Date: 07/19/08 Time: 17:59 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . |** . |. . |* . |. . |. . |. . |. . |. . |. | | | | | | | | | Partial Correlation . |** . |. . |* .*|. . |. .*|. . |. . |. . |* | | | | | | | | | 1 2 3 4 5 6 7 8 9 AC 0.265 0.048 0.138 0.005 0.027 -0.013 -0.036 -0.029 0.047 PAC 0.265 -0.024 0.141 -0.074 0.051 -0.058 -0.007 -0.032 0.082 Q-Stat 8.0497 8.3155 10.550 10.553 10.640 10.660 10.820 10.926 11.202 Prob 0.005 0.016 0.014 0.032 0.059 0.099 0.147 0.206 0.262 40

UNCP-2008

FACULTAD DE ECONOMIA
. |. . |. . |. . |. . |. . |. .*|. . |. . |. .*|. . |. . |. . |* . |. . |. . |. . |. . |. .*|. .*|. .*|. .*|. . |. . |. . |. . |. . |. | | | | | | | | | | | | | | | | | | | | | | | | | | | . |. . |. . |. . |. . |* .*|. . |. . |. . |. .*|. . |. . |. . |* . |. . |. . |. . |. . |. .*|. . |. .*|. . |. . |. . |. . |. . |. .*|. | | | | | | | | | | | | | | | | | | | | | | | | | | | 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

2.4 RENDIMIENTO DEL SECTOR DIVERSAS Tabla 2.4

Date: 07/19/08 Time: 18:00 Sample: 1999M01 2008M12 Included observations: 112 Autocorrelation . |*** . |** . |** . |. . |** . |** . |* . |* | | | | | | | | Partial Correlation . |*** . |* . |* .*|. . |** . |. . |. . |. | | | | | | | | 1 2 3 4 5 6 7 8 AC 0.445 0.307 0.257 0.062 0.226 0.201 0.147 0.135 PAC 0.445 0.137 0.100 -0.138 0.246 0.045 0.013 -0.042 Q-Stat 22.742 33.700 41.459 41.919 48.012 52.893 55.513 57.741 Prob 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 41

UNCP-2008

FACULTAD DE ECONOMIA
. |* . |* . |* . |** . |. . |. . |* . |* . |* . |. . |. . |. . |. . |. . |. .*|. . |. .*|. . |. .*|. .*|. .*|. . |. . |. . |. . |. .*|. .*|. | | | | | | | | | | | | | | | | | | | | | | | | | | | | . |* . |. . |. . |. .*|. . |. . |. . |* . |. .*|. . |. . |. .*|. . |. . |. . |. . |. . |. . |. .*|. . |. . |. . |* .*|. . |* . |. .*|. . |. | | | | | | | | | | | | | | | | | | | | | | | | | | | | 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:

UNCP-2008

42

FACULTAD DE ECONOMIA

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

UNCP-2008

43

FACULTAD DE ECONOMIA
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)

UNCP-2008

44

FACULTAD DE ECONOMIA

SECTOR MINERAS:

UNCP-2008

45

FACULTAD DE ECONOMIA
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

UNCP-2008

46

FACULTAD DE ECONOMIA

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)

UNCP-2008

47

FACULTAD DE ECONOMIA 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. 48 -12.70684 -4.044415 -3.451568 -3.151211 Prob.* 0.0000

UNCP-2008

FACULTAD DE ECONOMIA

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:

UNCP-2008

49

FACULTAD DE ECONOMIA

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) 50

UNCP-2008

FACULTAD DE ECONOMIA

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 51

UNCP-2008

FACULTAD DE ECONOMIA
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

UNCP-2008

52

FACULTAD DE ECONOMIA
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

UNCP-2008

53

FACULTAD DE ECONOMIA
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

UNCP-2008

54

FACULTAD DE ECONOMIA
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

MODELO GARCH DE ORDEN

UNCP-2008

55

FACULTAD DE ECONOMIA
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

Ciudad Universitaria, Julio del 2008

UNCP-2008

56