Sei sulla pagina 1di 45
UNIVERSIDAD DE CHILE FACULTAD DE ECONOMIA Y NEGOCIOS DESARROLLO DE UN MODELO ARIMA DE PREDICCIÓN

UNIVERSIDAD DE CHILE FACULTAD DE ECONOMIA Y NEGOCIOS

UNIVERSIDAD DE CHILE FACULTAD DE ECONOMIA Y NEGOCIOS DESARROLLO DE UN MODELO ARIMA DE PREDICCIÓN DE
UNIVERSIDAD DE CHILE FACULTAD DE ECONOMIA Y NEGOCIOS DESARROLLO DE UN MODELO ARIMA DE PREDICCIÓN DE

DESARROLLO DE UN MODELO ARIMA DE PREDICCIÓN DE SIGNO PARA LAS ACCIONES PHILIPPINE LONG DISTANCE TELEPHONE CO. Y POSCO

Elaborada por:

EDUARDO ALONSO FERRER

ESTEBAN OLIVARES ARELLANO

Tesis para optar al Grado de Magíster en Finanzas

Profesor Guía:

ANTONINO PARISI, PhD.

Santiago de Chile, Noviembre de 2006

INDICE

1 INTRODUCCION

3

2 OBJETIVOS

6

2.1 Objetivo general

6

2.2 Objetivos específicos

6

3 MARCO TEORICO

7

3.1 Procesos ARIMA

7

3.2 Reseña sobre las empresas

12

3.2.1 Philippine Long Distance Telephone Co. (PHI)

12

3.2.2 Posco (PKX)

13

3.2.3 Dow Jones Industrial Average (^DJI)

15

3.2.4 Standard and Poor’s 500 (^GSPC)

16

4 DATOS Y METODOLOGIA

17

4.1 Variables de ingreso al modelo

17

4.2 Selección del Modelo

17

4.3 Búsqueda de tamaño óptimo de rolling

18

4.4 Aplicación de bootstrapping

20

4.5 Evaluación económica

20

5 RESULTADOS

5.1 Philippine Long Distance Telephone Co. (PHI)

22

22

5.1.1 Selección del modelo

22

5.1.2 Búsqueda de tamaño óptimo de rolling

25

5.1.3 Aplicación de bootstrapping

27

5.1.4 Evaluación Económica

30

5.2 Posco (PKX)

31

5.2.1 Selección del modelo

31

5.2.2 Determinación del tamaño de rolling óptimo

34

5.2.3 Aplicación de bootstrapping

36

5.2.4 Evaluación Económica

39

6 CONCLUSIONES

40

REFERENCIAS BIBLIOGRAFICAS

42

1

INTRODUCCION

El interés en entender y poder predecir el comportamiento de los mercados financieros ha sido motivo de estudio por muchos años. La idea de ganarle a un mercado definido teóricamente como eficiente es de por sí una contradicción. Sin embargo, los avances computacionales, el desarrollo de modelos econométricos complejos y el perfeccionamiento del análisis técnico, parecieran indicar que si bien el movimiento de precio de los activos sigue dinámicas complejas, responde a distribuciones estables y pueden ser anticipados.

Se dice que un mercado es eficiente cuando los precios de los activos reflejan la correcta evaluación de toda la información disponible. Las condiciones que aseguran este comportamiento son: la inexistencia de costos transaccionales, el libre acceso y la gratuidad de la información y la existencia de un número lo suficientemente grande de participantes que procesan la información. Aunque estas condiciones no están presentes en la práctica, las mismas son condiciones suficientes, mas no necesarias, para que un mercado sea considerado eficiente. Debido a que la nueva información surge de forma aleatoria, no sería posible predecir los cambios de los precios de los activos.

La aceptación de esta perspectiva sobre la eficiencia de mercado ha llevado al desarrollo de modelos asociados a este comportamiento de mercado y destinados al análisis de la conformación de portafolios, bajo la premisa de que sólo la aceptación de mayores riesgos permitiría obtener mayores tasas de retorno.

Eugene Fama [1970] plantea tres niveles para medir la eficiencia del mercado:

Contraste Débil: los precios actuales reflejan sólo información histórica.plantea tres niveles para medir la eficiencia del mercado: Contraste Semi-Fuerte: asume que los precios de

Contraste Semi-Fuerte: asume que los precios de los activos reflejan toda la información públicamente disponible y que éstos deberían verse afectados únicamente con la llegada de nueva información pública al mercadopara medir la eficiencia del mercado: Contraste Débil: los precios actuales reflejan sólo información histórica. 3

Contraste Fuerte: considera que los precios de los activos reflejan toda la información en forma

Contraste Fuerte: considera que los precios de los activos reflejan toda la información en forma instantánea, disponible o no para el público.

Las investigaciones realizadas por Fama [1970], Jensen [1968], Roll [1977, 1978], coinciden al determinar que el mercado de capitales es eficiente en su contraste semi-fuerte, pues hace predicciones imparciales de las implicaciones de los movimientos de los precios de los valores, que son completamente reflejadas en el precio del valor al final del período. Merton [1987] indica que los contrastes débiles de eficiencia del mercado asumen que los inversores tienen total acceso a la información en el momento de tomar sus decisiones, lo cual no es necesariamente cierto. Sin embargo, considera que la abstracción del modelo es útil en los análisis del sistema financiero en el largo plazo.

Por su parte, DeBondt y Thaler [1985, 1987] encontraron que el mercado de capitales tiene una inmensa facilidad en incorporar nueva información y que los acontecimientos económicos más recientes tienen un mayor peso relativo que aquellos más alejados en el tiempo. Así, al generarse un incremento sistemático de los precios, su caída podría predecirse a partir del análisis de precios pasados recientes, sin necesidad de procesar mayor información, lo cual contradice los resultados empíricos de eficiencia de mercado en su contraste débil de Fama.

En este mismo orden de ideas Conrad y Kaul [1989] encontraron evidencia respecto a la capacidad de predicción de los retornos en el corto plazo; Lo y MacKinlay [1988] encontraron una correlación serial positiva en los retornos semanales de acciones de países desarrollados; Fama y French [1988] y Chopra, Lakonishok y Ritter [1992] hallaron correlaciones seriales negativas en los retornos de los activos individuales y de varias carteras en el largo plazo (entre tres y diez años).

Sin embargo, aún cuando estos estudios han demostrado que los retornos de los precios de las acciones no se comportan de manera aleatoria y por lo tanto permiten ser anticipados, su grado de predictibilidad puede ser en algunos casos no significativo en términos

económicos (Jensen [1968], French y Roll [1986], Lo y MacKinley [1988], Brock, Lakonishok y LeBaron [1992]).

Este trabajo busca determinar, mediante el desarrollo de un proceso Autorregresivo Integrado de Medias Móviles 1 , un modelo econométrico que maximice el porcentaje de predicción de signo de las variaciones semanales de los retornos de las acciones de las compañías Philippine Long Distance Telephone Company y Posco 2 , con el fin de desarrollar estrategias de compra y venta que permitan obtener retornos superiores a los que podrían ser obtenidos siguiendo una estrategia de inversión pasiva (comprar y mantener).

El documento se divide en seis secciones: en la sección dos se plantea el objetivo general y los objetivos específicos; en la sección tres se desarrolla el marco teórico; la sección cuatro describe los datos y la metodología utilizados; la sección cinco sintetiza los resultados obtenidos por el modelo. Por último, la sección seis presenta el análisis de los resultados obtenidos y las conclusiones del estudio.

1 Autoregressive Integrated Moving Average (ARIMA)

2 Ambas acciones son transadas en el New York Stock Exchange (NYSE)

2

OBJETIVOS

2.1 Objetivo general

Determinar, mediante el desarrollo de un proceso Autorregresivo Integrado de Medias Móviles (ARIMA), un modelo econométrico de predicción de signo que permita tomar decisiones oportunas de compra y venta de acciones de las compañías Philippine Long Distance Telephone Company (PHI) y Posco (PKX), maximizando la rentabilidad del inversionista.

2.2 Objetivos específicos

Como objetivos específicos de esta investigación podemos destacar:

Encontrar un modelo óptimo de predicción de signo para las acciones Philippine Long Distance Telephone Company (PHI) y Posco (PKX), usando como variables explicativas el Dow Jones Industrial Average (^DJI), el Standard and Poor’s 500 (^GSPC) y los rezagos de Dow Jones Industrial Average (^DJI), el Standard and Poor’s 500 (^GSPC) y los rezagos de los rendimientos semanales de cada una de las acciones en cuestión

Identificar, para cada una de estas acciones, el óptimo de rolling del modelo hallado y verificar su consistencia aplicando el método de bootstrapping . rolling del modelo hallado y verificar su consistencia aplicando el método de bootstrapping.

Determinar si siguiendo la estrategia de compra y venta de estas acciones de acuerdo al modelo de predicción de signo se obtendrían rentabilidades superiores a la obtenidas al implementar una estrategia de inversión pasiva (comprar y mantener).el óptimo de rolling del modelo hallado y verificar su consistencia aplicando el método de bootstrapping

3

MARCO TEORICO

3.1 Procesos ARIMA

En la primera parte de este trabajo se explicó como la eficiencia de mercado en su contraste débil puede relacionarse con la posibilidad para predecir la evolución del precio de una acción a partir de sus datos históricos. Esto es lo que en estadística se conoce como análisis univariable de series temporales y consiste en examinar los resultados pasados de la variable tratando de buscar un modelo que explique un comportamiento sistemático de la misma, para así extrapolar los resultados y poder anticipar su comportamiento futuro.

Los procesos ARIMA son modelos matemáticos utilizados para realizar pronósticos. ARIMA significa AutoRegressive, Integrated, Moving Average (Modelos Autorregresivos Integrados de Medias Móviles). Los procesos ARIMA han sido estudiados extensamente y son una parte sustancial del análisis de series de tiempo. Fueron popularizados en la década de los setenta por George Box y Gwilym Jenkins, quienes se dieron la tarea de agrupar de una manera comprensible la información requerida para entender y utilizar los procesos ARIMA. Como consecuencia de esto, los procesos ARIMA son conocidos también como modelos Box-Jenkins.

Los procesos ARIMA se fundamentan en dos grandes lineamientos: 1) los pronósticos están basados en funciones lineales de las observaciones muestrales; 2) el objetivo es encontrar el modelo más simple que proporcione una descripción adecuada de los datos observados.

El modelamiento de Box-Jenkins incluye identificar el proceso ARIMA apropiado y adecuarlo a los datos para luego utilizar el modelo ajustado para pronosticar. Uno de los atractivos del modelo de Box y Jenkins es que los procesos ARIMA proporcionan una amplia variedad de posibles modelos y es generalmente posible encontrar un proceso que proporcione una adecuada descripción de los datos.

A pesar de que fue originalmente diseñado para modelar series de tiempo, la estrategia

subyacente de Box y Jenkins es aplicable a una amplia variedad de modelaciones estadísticas. Proporciona un marco muy conveniente que permite a los analistas pensar acerca de los datos y a encontrar un modelo estadístico apropiado que pueda ser utilizado para ayudar a responder incógnitas relevantes acerca de los datos.

Cada proceso ARIMA consta de tres partes: Autorregresivo (AR), Integrado (I) y Promedios Móviles (MA) y son algunas veces escritos abreviadamente como

ARIMA p,d,q
ARIMA p,d,q

en donde p describe a AR, d describe a I y q describe a MA.

AR: esta parte del modelo describe como cada observación es una función de las p observaciones previas. Por ejemplo, si p 1entonces cada observación es una función de

una sola observación. Esto es:

es una función de una sola observación. Esto es: Y t c y 1 t 1

Y

t

c y 1 t 1 t
c
y
1
t
1
t

En donde

Y

t

representa el valor observado en el momento t ,

Y

t 1
t
1

representa el valor

observado previamente en el momento t , t representa un error aleatorio y c y 1 son

constantes. Otros valores observados de las series pueden ser incluidos hacia la derecha de

la ecuación si p

pueden ser incluidos hacia la derecha de la ecuación si p 1: Y t c y
pueden ser incluidos hacia la derecha de la ecuación si p 1: Y t c y
1:
1:

Y

t

c y y y 1 t 1 2 t 2 p t p t
c
y
y
y
1
t
1
2
t
2
p
t
p
t

I: esta parte del modelo determina si los valores observados son modelados directamente o si, en cambio, son modeladas las diferencias entre observaciones consecutivas. Si d 0 , las observaciones son modeladas directamente. Si d 1, son modeladas las diferencias entre observaciones consecutivas. Si d 2 , las diferencias de las diferencias son modeladas. En la práctica, d es raramente mayor que 2.

modeladas. En la práctica, d es raramente mayor que 2. MA: esta parte del modelo describe
modeladas. En la práctica, d es raramente mayor que 2. MA: esta parte del modelo describe
modeladas. En la práctica, d es raramente mayor que 2. MA: esta parte del modelo describe

MA: esta parte del modelo describe como cada observación es una función de un término independiente y de una sucesión de q errores previos, ponderados adecuadamente. Por

ejemplo, si q

1 , entonces cada observación es una función de únicamente un error previo.

1, entonces cada observación es una función de únicamente un error previo.

Esto es:

Y t

c 1 t 1 t
c
1
t
1
t
únicamente un error previo. Esto es: Y t c 1 t 1 t Aquí, t representa
únicamente un error previo. Esto es: Y t c 1 t 1 t Aquí, t representa

Aquí, t representa el error aleatorio en el momento t y t 1 representa el error aleatorio

en el momento t y t 1 representa el error aleatorio anterior en el momento t

anterior en el momento t 1. Otros errores pueden ser incluidos hacia la derecha de la ecuación en caso de q 1.

hacia la derecha de la ecuación en caso de q 1 . La combinación de estas

La combinación de estas tres partes proporciona una amplia variedad de modelos ARIMA.

El proceso de modelamiento consiste en un proceso iterativo que comprende cuatro etapas:

selección del modelo, estimación de parámetros, revisión del modelo y una última etapa de realización de pronósticos (o aplicación del modelo). Cada una de estas etapas son explicadas a continuación:

Selección del modelo: La metodología Box-Jenkins requiere que la serie temporal sea estacionaria, lo que significa que su media y su varianza sean constantes. Es de vital importancia que la serie de tiempo observada cumpla con estas condiciones y, en caso de no ser así, lograr su transformación en otra que si lo haga.

La transformación de los datos puede ayudar a estabilizar la varianza en series donde la variación cambia junto con el nivel. Una vez transformados, los datos son diferenciados hasta que no existan patrones obvios tales como tendencias o efectos estacionales. La diferenciación consiste en tomar la diferencia entre observaciones consecutivas o entre observaciones de un período respecto al otro.

Para determinar si la estacionariedad ha sido lograda debe examinarse la secuencia de autocorrelación de la serie residual. La secuencia correspondiente a una serie estacionaria debe converger rápidamente a cero a medida que el valor de los rezagos aumenta. Una

función de autocorrelación empírica que exhibe un patrón suave con valores significativos en rezagos altos indica que la serie es no estacionaria.

En esta etapa, también se requiere determinar los valores de p , d y q del modelo

determinar los valores de p , d y q del modelo ARIMA p , d ,
determinar los valores de p , d y q del modelo ARIMA p , d ,

ARIMA p,d,q . El número de grados de diferenciación de d determina con que frecuencia

la serie de tiempo original es diferenciada de forma tal de obtener una serie estacionaria. Para la mayoría de las series económicas, la experiencia muestra que la estacionariedad se

logra luego de una diferencia (

) o luego de una diferencia de logaritmos

x

t

x t 1
x
t
1

(

pueden ser utilizadas para determinar p y q .

LNx

t

1 ( pueden ser utilizadas para determinar p y q . LNx t LNx t 1

LNx

t 1
t
1

). La función de autocorrelación y la función de autocorrelación parcial

En este sentido, la metodología Box y Jenkins proveen un marco teórico y reglas prácticas para determinar los valores apropiados de p , q y d .

Estimación de parámetros: Una vez que han sido obtenidos los valores de p , d y q , los

parámetros c y pueden ser estimados. Para estimar estos coeficientes se utiliza

generalmente un algoritmo que evalúa de manera iterativa si otro vector de parámetros mejora el valor de la función de manera tal que se minimice la suma de los cuadrados de los errores, hasta lograr valores óptimos. En otras palabras, el mejor predictor posible será aquel que minimice el error cuadrático respecto a otro potencial predictor alternativo.

cuadrático respecto a otro potencial predictor alternativo. Revisión del modelo : para revisar el modelo es

Revisión del modelo: para revisar el modelo es importante utilizar pruebas independientes tomando en cuenta series de tiempo que no hayan sido incluidas en el proceso de modelamiento. El error de esas pruebas independientes es comparado con el obtenido por el modelo. Usualmente, el error es un valor obtenido mediante la aplicación de una función sobre la diferencia entre el valor observado y el valor pronosticado. Box y Jenkins sugieren revisar las funciones de autocorrelación de las series de tiempo y de los errores. Si estos últimos contienen algún salto sospechoso, el modelo no estaría aprovechando toda la información disponible. Más aún, es razonable evaluar el desempeño de modelos ARIMA

aún, es razonable evaluar el desempeño de modelos ARIMA de órdenes superiores: ARIMA p 1, d
aún, es razonable evaluar el desempeño de modelos ARIMA de órdenes superiores: ARIMA p 1, d
aún, es razonable evaluar el desempeño de modelos ARIMA de órdenes superiores: ARIMA p 1, d
aún, es razonable evaluar el desempeño de modelos ARIMA de órdenes superiores: ARIMA p 1, d

de órdenes superiores: ARIMA p 1,d,q y ARIMA p,d,q 1 . Esto servirá para demostrar

si los modelos de orden superior mejoran los pronósticos. Si un modelo no provee un

pronóstico mejor, el modelo de orden inferior es preferido, debido a que posee menos parámetros. Con el objeto de evitar la sub o sobre diferenciación, los modelos con mayores

y

menores valores de d , ARIMA p,d 1,q y ARIMA p,d 1,q , también deben ser

p , d 1, q y ARIMA p , d 1, q , también deben ser
p , d 1, q y ARIMA p , d 1, q , también deben ser
p , d 1, q y ARIMA p , d 1, q , también deben ser
p , d 1, q y ARIMA p , d 1, q , también deben ser

probados. Finalmente, modelos más complejos también pueden ser examinados.

Realización de pronósticos: Una vez que el modelo ha sido seleccionado, estimado y revisado, el paso final es anticipar los valores futuros de la variable con el mínimo error de predicción posible. Sin embargo, es importante señalar que cualquier predicción que se realice con un modelo econométrico se basa en el hecho de que no se producen cambios estructurales. Esto garantiza que el modelo que en el pasado ha explicado el comportamiento de la variable sigue siendo válido en la actualidad. Si por alguna razón cambiasen de manera significativa las condiciones de mercado o del entorno, el modelo podría verse alterado y ya no serviría para predecir el comportamiento de la variable.

La condición de que no existan cambios estructurales en la serie analizada tiene estrecha relación con las hipótesis de estacionariedad que plantean los modelos Box-Jenkins. Esto asegura que el modelo ARIMA que explica el comportamiento de la serie es único dentro del horizonte de tiempo considerado.

El problema de los cambios estructurales es que resulta difícil saber cuando se producirán y

en consecuencia, determinar cuando el modelo deja de ser válido. Por otro lado, la existencia de frecuentes cambios estructurales haría imposible la predicción. Para contrastar estadísticamente la existencia de cambios estructurales se puede realizar una comprobación posterior dividiendo la serie histórica en dos etapas que serán analizadas por separado,

obteniendo un modelo para cada etapa. Si ambos modelos coinciden, no hay razones para afirmar la existencia de un cambio estructural; sin embargo, si los modelos difieren entre sí,

se estaría corroborando la existencia de un cambio estructural.

También existen procesos ARIMA diseñados para manejar series de tiempo estacionales, y procesos vectoriales ARIMA diseñados para modelar series de tiempo multivariables. Otras modalidades permiten la inclusión de otras variables explicativas.

3.2 Reseña sobre las empresas

A continuación se explicarán brevemente las principales características de las empresas

cuyas acciones vamos a evaluar en este trabajo, Philippine Long Distance Telephone Company y Posco, describiendo los mercados donde compiten y cuales son sus principales productos. Además se mostrarán algunos datos interesantes como sus capitalizaciones bursátiles, el volumen de acciones transado en los últimos 3 meses, el precio actual de la

transado en los últimos 3 meses, el precio actual de la acción y su comportamiento durante

acción y su comportamiento durante las últimas 52 semanas, así como su beta ( ). Por último, se hará un breve descripción de los conocidos índices accionarios Dow Jones Industrial Average y S&P 500: su importancia, como se componen y su forma de cálculo.

3.2.1 Philippine Long Distance Telephone Co. (PHI)

Fundada en 1928, Philippine Long Distance Telephone Company provee servicios de telecomunicaciones en Filipinas, operando en 3 segmentos de negocios: Servicios Inalámbricos, Telefonía Fija y Tecnología de Información y Comunicación.

El segmento de Servicios Inalámbricos ofrece principalmente telefonía móvil, incluyendo

comunicaciones inalámbricas de voz y datos; terminales satelitales; banda ancha y otros servicios. A diciembre de 2005 este segmento tenía cerca de 20 millones de suscriptores.

El segmento de telefonía fija provee servicios de larga distancia nacional e internacional,

así como servicios de red y datos tales como redes privadas, internet de banda ancha y paquetes de servicios de comunicación. Este segmento tenía mas de 2 millones de líneas

fijas a diciembre de 2005.

Por último, el segmento de Tecnología de Información y Comunicación opera call centers, internet data centers y negocios de juegos.

Philippine Long Distance Telephone Co. se es una empresa del sector tecnológico y forma parte de la industria Servicios Extranjeros de Telecomunicaciones, ubicándose con un valor de USD 7.960 MM como la sexta mayor compañía de esta industria, medida en términos de capitalización bursátil:

Market Cap.

(MM US$)

Posición

Compañía

1

2

3

4

5

6

Telefonica SA

80.790

Siemens AG

77.610

Deutsche Telekom AG

69.190

France Telecom

60.690

BT Group plc

42.200

Philippine Long Distance Telephone Co.

7.960

http://finance.yahoo.com/q/in?s=PHI

Con respecto a su cotización en Bolsa, la acción de Philippine Long Distance Telephone Co. es transada en el New York Stock Exchange (NYSE) y entre sus principales características podemos destacar:

Beta

1,08

Cambio % últimas 52 semanas PHI

43,05%

Cambio % últimas 52 semanas S&P

9,99%

Precio actual (29/09/06)

43,56

Precio máximo 52 semanas

45,00

Precio mínimo 52 semanas

28,88

Volumen Promedio últimos 3 meses

469.433

Acciones en circulación

182.820

3.2.2 Posco (PKX)

Posco se dedica a la manufactura y venta de productos de acero. Entre sus principales productos destacan los rollos calientes utilizados para fabricar acero estructurado empleado

en la construcción de edificios y puentes, tuberías industriales, tanques, chasis para automóviles; estructuras de acero utilizadas en la generación de energía, en minería y en la producción de petróleo y gas; bobinas y rollos galvanizados utilizados en la industria automovilística para producir paneles de partes de automóviles, así como también bienes domésticos, electrodomésticos, láminas de acero, etc.

Opera principalmente en Asia, Norteamérica y Europa. Fue fundada en 1968 y está ubicada en Seúl, Corea del Sur. Se enmarca en el sector de materiales básicos, en la industria de Hierro y Acero y, con US$ 20.800 MM, es la cuarta mayor compañía de esta industria medida en términos de capitalización bursátil:

Market Cap.

(MM US$)

Posición

Compañía

1

2

3

4

5

6

Companhia Vale do Rio Doce

52.390

Mittal Steel Company NV

24.490

Tenaris SA

20.860

Posco

20.800

Nucor Corp.

15.260

Gerdau S.A.

13.480

http://finance.yahoo.com/q/in?s=PKX

Con respecto a su cotización en Bolsa, la acción de Posco es transada en el New York Stock Exchange (NYSE) y entre sus características principales podemos destacar:

Beta

1,93

Cambio % últimas 52 semanas PKX

14,80%

Cambio % últimas 52 semanas S&P

9,99%

Precio actual (29/09/06)

64,93

Precio máximo 52 semanas

76,20

Precio mínimo 52 semanas

47,28

Volumen Promedio últimos 3 meses

766.368

Acciones en circulación

320.360

3.2.3

Dow Jones Industrial Average (^DJI)

El Dow Jones Industrial Average (Promedio Industrial Dow Jones) fue introducido por primer vez en 1884, junto con el Dow Jones Transport Average (Promedio Transporte Dow Jones). Sus creadores, Charles Dow y Edward Jones, pretendían establecer un indicador de la actividad económica, ponderando dicha actividad a través de la evolución de determinados sectores en el mercado bursátil.

Charles Dow sostenía que cuando la actividad económica atraviesa un período de auge las empresas industriales experimentan una expansión productiva y se incrementan sus niveles de beneficio, adquiriendo un mayor atractivo para los inversores, aumentando la demanda de títulos de estas sociedades y por ende, su precio. A medida que el sector industrial avanza en su expansión, la demanda de servicios de transporte aumenta y con ello los beneficios de las empresas transportistas. Como en el caso de las sociedades industriales, esta evolución positiva atraerá nuevos inversores que con su actividad compradora incidirían en el aumento del precio de las acciones del sector transporte.

En la actualidad, estos promedios son revisados por editores del diario Wall Street Journal y sus componentes varían cuando hay una adquisición de por medio o cuando hay cambios drásticos en el desempeño corporativo de una empresa. Aunque no hay regulaciones explícitas para la selección de los componentes de cada promedio, los títulos son añadidos únicamente si tienen una excelente reputación, demuestran crecimiento sustancial, son parte del interés de varios inversores y representan de forma adecuada el sector al cual pertenecen.

El Promedio Industrial Dow Jones está formado por un portafolio diversificado de 30 compañías pertenecientes a todo tipo de industrias: servicios financieros, tecnología, minoristas, entretenimiento y bienes del consumidor; razón por la cual se le considera como un buen proxy del desempeño del mercado.

A diferencia de la mayoría de los índices existentes, el Promedio Industrial Dow Jones es

un índice ponderado por precio, no por capitalización bursátil. Las compañías cuyas acciones tienen el precio mas alto, aportan un mayor peso al índice. Esta es la mayor crítica que recibe, ya que un movimiento de un dólar en una compañía con mayor precio de su acción, hará que el índice se mueva en mayor medida, independientemente de la capitalización de la misma.

Para su cálculo se utiliza una fórmula en la que se suma el precio de la acción de cada una

de las 30 compañías que lo componen y se divide por un coeficiente de ajuste que evita que

se altere el valor del índice ante ciertos hechos corporativos que se produzcan en sus

componentes, como stock splits o anuncio de dividendos.

El primer cálculo del índice fue 40,94 puntos y su mínimo histórico, unos meses después,

fue 28,48 puntos. Al cierre de septiembre de 2006 su valor se sitúa en 11.679,07 puntos.

3.2.4 Standard and Poor’s 500 (^GSPC)

El

S&P 500 es una lista de 500 corporaciones y un índice de mercado el cual es propiedad

de

la compañía Standard and Poor’s y forma parte además del S&P 1500 y del S&P Global

1200.

Todas las compañías del índice son transadas en las principales bolsas de valores de Estados Unidos, como el New York Stock Exchange y el Nasdaq. El valor de mercado ponderado de las acciones de estas compañías es conocido como el Índice S&P 500. Después del Dow Jones Industrial Average, es el índice de acciones de grandes compañías más mirado en el mundo y es considerado como un barómetro de la economía estadounidense. Es frecuentemente citado con el símbolo GSPC o SPX, y podría tener antepuesto el símbolo “^”.

Muchos fondos de índices y fondos de tipo de cambio rastrean el desempeño del S&P 500 manteniendo sus mismas acciones e intentando imitar su desempeño.

4

DATOS Y METODOLOGIA

4.1 Variables de ingreso al modelo

A través de la página finance.yahoo.com se obtuvieron los precios de cierre de los días lunes correspondientes a las 538 semanas comprendidas entre el 07/02/1996 y el 31/05/2006, tanto de las acciones Philippine Long Distance Telephone Company y Posco como de los índices Dow Jones Industrial Average y S&P 500. Para aquellas semanas en la cuales no hubo transacciones el día lunes, se utilizó el precio disponible del día inmediatamente anterior en el que hubiesen habido transacciones de la acción.

Tanto para las acciones como para el índice, se calcularon los retornos porcentuales semanales, calculados como la variación semanal del precio dividido por el precio de la

semana anterior (

rezagos para los índices. Estos rezagos de rentabilidad son utilizados en el modelo dado su alto grado de correlación con la variable a estimar: dado que el precio de la acción incluye toda la información disponible, sus variaciones recientes sirven para pronosticar su comportamiento futuro.

), determinándose a su vez 4 rezagos para las acciones y hasta 3

P / P t 1
P
/
P
t
1

4.2 Selección del Modelo

Para la selección del modelo se parte de una matriz de modelo recursivo propuesto por el profesor guía, representada con la siguiente expresión:

Y Y Y Y Y Y Y Y S & P DOW DOW DOW t
Y
Y
Y
Y
Y
Y
Y
Y
S
&
P
DOW
DOW
DOW
t
1
t
5
t
4
2
t
2
3
t
3
t
3
4
t
2
t
3
5
t
3
6
t
2
7
t
2
t
3

En donde

Y

t

representa la variable explicada (proyección del retorno para la semana t ), los

explicada (proyección del retorno para la semana t ), los i representan coeficientes, los Y t

i representan coeficientes, los

Y

t i
t
i

que representan el rezago i del retorno de la acción,

S & P

t i
t
i

que representan el rezago i

del retorno del índice S&P 500

y

DOW

t i
t
i

que

representan el rezago i del retorno del índice Dow Jones.

Posteriormente se separa la muestra en dos selecciones, una intramuestral y otra extramuestral, de acuerdo a la metodología de modelos multivariables. Para ello, del total de la muestra (07 de febrero de 1996 y el 31 de mayo de 2006), se consideran dentro del conjunto intramuestral las primeras 251 semanas (transcurridas entre el 07 de febrero de 1996 y el 29 de noviembre de 2000) y dentro del conjunto extramuestral las restantes 287 semanas (transcurridas entre el 06 de diciembre de 2000 y el 31 de mayo de 2006).

En base a la matriz anterior se construyen tantos modelos como sea posible a partir de las

combinaciones de los i . Dado que contamos con 7 términos es posible construir 127

combinaciones o posibles modelos (127 = 2 7 -1).

127 combinaciones o posibles modelos (127 = 2 7 -1). Posteriormente, se calculan los i que

Posteriormente, se calculan los i que minimizan el error cuadrático de la proyección de

los retornos a cada uno de estos modelos. Con ellos se determina el porcentaje de predicción de signo de la muestra (PPS). Es decir, se construye una nueva matriz donde se indican las especificaciones del modelo (variables) y su respectivo porcentaje de predicción

modelo (variables) y su respectivo porcentaje de predicción de signo, de acuerdo a los i determinados.
modelo (variables) y su respectivo porcentaje de predicción de signo, de acuerdo a los i determinados.

de signo, de acuerdo a los i determinados.

Una vez que se cuenta con la totalidad de los resultados obtenidos se selecciona aquel modelo que entrega un mejor porcentaje de predicción de signo (PPS)

4.3 Búsqueda de tamaño óptimo de rolling

La búsqueda del tamaño de rolling óptimo consiste en un proceso iterativo que buscar maximizar los porcentajes de predicción de signo de los conjuntos intra y extra muestral, en el cual se deben probar cada una de los posibles tamaños de rolling. En este trabajo se iteró desde un tamaño de rolling de 15 hasta llegar a un rolling de 125. El resultado de cada una de las pruebas se respalda para posteriormente confeccionar una clasificación de rolling que permita determinar aquel que entrega el mejor rendimiento.

El proceso de determinación del tamaño óptimo comienza con el modelo encontrado en el paso anterior. Como lo que pretendemos para nuestro modelo es encontrar el porcentaje de

predicción de signo para el tamaño de rolling (conjunto de aprendizaje) que se está probando, debemos determinar, en cada semana extramuestral, si la predicción del modelo es exitosa o no.

En función de lo anterior debemos calcular los estimadores, que minimicen la suma de los errores cuadráticos del conjunto de aprendizaje, de esta manera el modelo entregará una predicción sobre el retorno esperado para la primera semana extramuestral, de este modo compararemos la predicción de dirección con la variación real observada, es decir, para dicha semana de predicción verificamos si el movimiento del retorno estimado, acertó respecto al movimiento del retorno observado. Luego este resultado se registra, y se procede a continuar con la siguiente iteración agregando una semana adicional. Para cada iteración de predicción, se debe agregar la información más reciente y desechar la más antigua, de esta manera mantendremos el tamaño del rolling constante, así estimaremos,

para cada una de las semanas, los i que minimicen la suma de los errores cuadráticos del

conjunto de aprendizaje, y compararemos el éxito o fracaso de la predicción direccional.

el éxito o fracaso de la predicción direccional. Una vez efectuado el procedimiento para todas las

Una vez efectuado el procedimiento para todas las semanas, dispondremos para cada una de ellas los resultados particulares de éxitos o fracasos, con los que es posible hacer el cálculo del porcentaje de aciertos del modelo con el tamaño de rolling de prueba. Con esto, estamos en condiciones de calcular el porcentaje de predicción de signo intra y extra muestral.

El procedimiento antes descrito debe ser repetido para cada uno de los tamaños de rolling que se requiere probar. En nuestro estudio se probaron tamaños de rolling, partiendo de un conjunto de aprendizaje de 15 hasta llegar a 125, incrementando, en cada iteración, el tamaño en una semana, obteniendo para cada una de las iteraciones los porcentajes de predicción de signo para cada uno de los rolling probados, es decir, se conformó una matriz de resultados para los 111 tamaños de rolling, de esta manera podemos conformamos un ranking de resultados, para seleccionar como óptimo, aquel rolling que entrega un mejor rendimiento de predicción de signo intra y extra muestral.

4.4

Aplicación de bootstrapping

Para probar la consistencia del tamaño de rolling seleccionado, efectuamos una prueba creando distintas series bootstrap, la cual consiste en crear, a partir de los datos originales, series ficticias que se obtienen con combinaciones con repetición de bloques de 8 semanas, para lo cual se toman de la muestra original en forma aleatoria un bloque de 8 semanas y se comienza así a conformar la nueva serie, lo cual se repite 65 veces hasta construir una serie con la misma cantidad de datos a la original.

Con el método mencionado se obtiene una nueva muestra ficticia, con los mismos datos originales, pero ordenados de distinta forma, manteniendo el orden original en el bloque. Con esta nueva muestra se realiza el procedimiento para determinar el porcentaje de predicción de signo del modelo con el tamaño del conjunto de aprendizaje de acuerdo al rolling óptimo seleccionado en el paso anterior, este proceso de “desorden” y cálculo del porcentaje de predicción de signo extramuestral para las series bootstrap se repite reiteradas veces de manera de contar con una cantidad suficiente de predicciones, que nos permitan sacar conclusiones, es decir, para cada serie bootstrap se determina el porcentaje de predicción de signo obteniendo una matriz de resultados que nos permita concluir la consistencia del rolling óptimo, para lo cual reiteramos el procedimiento 100 veces y con los resultados se calculó la media, desviación estándar, máxima y mínima predicción, al igual que se construye la distribución de probabilidades. Una señal de que el modelo es consistente, es que la media de los porcentajes de predicción de signo para cada una de las series bootstrap sea cercana al porcentaje de predicción de la serie original, además de que la desviación estándar sea baja y la distribución de probabilidades muestre consistencia en los posibles resultados.

4.5 Evaluación económica

Para efectuar un análisis económico que permita evaluar el uso de la predicción de signo en la variación del precio de las acciones en estudio, se utilizó como benchmark la rentabilidad de un inversionista pasivo o que sigue una estrategia de comprar y mantener. Dicha

rentabilidad se calculó como la variación de la riqueza del inversionista en el periodo de estudio considerando una inversión inicial de US$ 100.000. Los inversionistas toman sus decisiones dependiendo de su estrategia: para el caso del inversionista pasivo la estrategia es comprar y mantener hasta el final del periodo, mientras que el inversionista activo toma decisiones de compra y venta de acuerdo a la proyección entregada por el modelo, es decir, si proyecta una variación de signo positiva (señal de que el precio de la acción subirá) comprará acciones si está fuera de mercado o mantener su posición si ya posee. Por el contrario si proyecta una variación de signo negativa (señal de que el precio de la acción bajará) venderá las acciones si posee o mantenerse fuera si no las tuviese (no se consideraron operaciones de “venta corta”).

Finalmente, se estiman las rentabilidades de cada inversionista calculando la variación de la riqueza desde el inicio hasta el final del periodo en estudio sin tomar en consideración costos de transacción.

La rentabilidad del periodo se determinó por la diferencia entre el valor de la inversión al final del periodo y la inicial, en términos porcentuales respecto a la inversión inicial, la cual se expresa en términos anuales dividiendo la rentabilidad total del periodo por el número total de semanas de la muestra (287) y multiplicada por el total de semanas en un año (52).

5

RESULTADOS

5.1

Philippine Long Distance Telephone Co. (PHI)

5.1.1

Selección del modelo

Para la acción Philippine Long Distance Telephone Co. (PHI) el mejor modelo entre los

es

. Este modelo obtuvo un porcentaje

de predicción de signo intramuestral de 54,58%, tal como se muestra en la siguiente tabla:

127

evaluados

fue

el

DOW

t 2
t
2

modelo

99,

esto

Y

t

Y Y Y 1 t 5 t 4 2 t 2 6
Y
Y
Y
1
t
5
t
4
2
t
2
6

DOW

t 2 7
t
2
7

DOW

t 3
t
3

Tabla 5.1.1 Selección del modelo para la acción PHI

 

ZONA DE RESULTADOS

 
 

Muestral

Extram.

V1

V2

V3

V4

V5

V6

V7

99

54,58%

               

77

54,18%

               

76

54,18%

               

31

54,18%

               

18

54,18%

               

127

53,78%

               

123

53,78%

               

119

53,78%

               

115

53,78%

               

103

53,78%

               

73

53,78%

               

59

53,78%

               

46

53,78%

               

38

53,78%

               

34

53,78%

               

30

53,78%

               

126

53,39%

               

124

53,39%

               

120

53,39%

               

114

53,39%

               

107

53,39%

               

72

53,39%

               

63

53,39%

               

55

53,39%

               

42

53,39%

               

39

53,39%

               

27

53,39%

               

26

53,39%

               
 

Muestral

Extram.

V1

V2

V3

V4

V5

V6

V7

23

53,39%

               

22

53,39%

               

19

53,39%

               

122

52,99%

               

118

52,99%

               

111

52,99%

               

110

52,99%

               

98

52,99%

               

89

52,99%

               

62

52,99%

               

54

52,99%

               

51

52,99%

               

35

52,99%

               

106

52,59%

               

102

52,59%

               

93

52,59%

               

58

52,59%

               

50

52,59%

               

47

52,59%

               

43

52,59%

               

109

52,19%

               

87

52,19%

               

69

52,19%

               

117

51,79%

               

100

51,79%

               

95

51,79%

               

91

51,79%

               

90

51,79%

               

86

51,79%

               

83

51,79%

               

82

51,79%

               

65

51,79%

               

41

51,79%

               

96

51,60%

               

116

51,39%

               

113

51,39%

               

104

51,39%

               

97

51,39%

               

94

51,39%

               

92

51,39%

               

85

51,39%

               

81

51,39%

               

75

51,39%

               

74

51,39%

               

68

51,39%

               

67

51,39%

               

66

51,39%

               

45

51,39%

               
 

Muestral

Extram.

V1

V2

V3

V4

V5

V6

V7

108

51,00%

               

105

51,00%

               

101

51,00%

               

88

51,00%

               

80

51,00%

               

71

51,00%

               

64

50,60%

               

112

50,60%

               

84

50,60%

               

79

50,60%

               

70

50,60%

               

78

50,20%

               

125

49,80%

               

121

49,80%

               

40

49,80%

               

7

49,80%

               

12

49,79%

               

10

49,79%

               

2

49,79%

               

49

49,40%

               

48

49,40%

               

44

49,40%

               

15

49,40%

               

11

49,40%

               

6

49,40%

               

3

49,40%

               

8

49,35%

               

60

49,00%

               

56

49,00%

               

53

49,00%

               

52

49,00%

               

37

49,00%

               

33

49,00%

               

14

49,00%

               

61

48,61%

               

57

48,61%

               

36

48,61%

               

29

48,21%

               

21

48,21%

               

32

48,00%

               

20

47,81%

               

17

47,81%

               

13

47,81%

               

9

47,81%

               

25

47,41%

               

16

47,41%

               

28

46,61%

               

24

46,61%

               

Muestral

Extram.

V1

V2

V3

V4

V5

V6

V7

4 46,47%

               

5 43,43%

               

1 42,86%

               

5.1.2 Búsqueda de tamaño óptimo de rolling

En cuanto al tamaño de rolling, el óptimo para el modelo de la acción Philippine Long Distance Telephone Co. (PHI) fue de 15 observaciones semanales, obteniendo un porcentaje de predicción de signo intramuestral de 51,21% y un porcentaje de predicción de signo extramuestral de 64,37%, como puede observarse en la siguiente tabla:

Tabla 5.1.2 Tamaños de rolling para la acción PHI

 

ZONA DE RESULTADOS

 
 

Muestral

Extram.

V1

V2

V3

V4

V5

V6

V7

Rentab.

Tiempo

16

49,19%

64,75%

8,67603

-0,22963

0,00000

0,00000

0,00000

0,63680

3,21223

540.811

223

15

51,21%

64,37%

6,96452

-0,02670

0,00000

0,00000

0,00000

0,14710

-1,01846

670.967

199

17

49,60%

62,45%

9,47140

-0,22539

0,00000

0,00000

0,00000

0,63390

3,03184

376.224

180

18

50,00%

60,54%

9,17107

-0,21568

0,00000

0,00000

0,00000

0,56154

2,01579

271.744

186

53

47,58%

59,77%

5,57692

-0,14605

0,00000

0,00000

0,00000

0,09506

0,30496

108.678

231

54

47,58%

59,00%

5,69403

-0,15878

0,00000

0,00000

0,00000

0,09695

0,30935

112.828

227

51

48,79%

59,00%

5,63324

-0,14675

0,00000

0,00000

0,00000

0,12409

0,37418

166.807

226

19

50,00%

59,00%

8,07975

-0,10106

0,00000

0,00000

0,00000

0,43951

0,41632

247.300

188

55

47,58%

58,62%

5,69669

-0,15868

0,00000

0,00000

0,00000

0,09722

0,30903

106.322

228

52

48,79%

58,62%

5,59520

-0,14774

0,00000

0,00000

0,00000

0,12525

0,34059

74.136

228

57

48,79%

58,24%

5,78651

-0,14250

0,00000

0,00000

0,00000

0,07707

0,26526

114.954

231

50

50,00%

57,85%

5,48979

-0,14158

0,00000

0,00000

0,00000

0,15356

0,66423

108.608

226

45

49,19%

57,85%

4,46852

-0,12826

0,00000

0,00000

0,00000

0,35077

4,64861

109.659

226

33

52,82%

57,85%

8,61044

-0,08611

0,00000

0,00000

0,00000

0,19779

4,21700

52.478

187

21

48,79%

57,85%

12,12909

-0,14259

0,00000

0,00000

0,00000

0,62390

4,31668

139.853

188

56

47,58%

57,47%

6,16324

-0,16290

0,00000

0,00000

0,00000

0,10011

0,17999

97.497

234

46

49,19%

57,47%

4,46693

-0,12850

0,00000

0,00000

0,00000

0,35109

4,64503

108.198

225

34

52,02%

57,47%

8,10027

-0,08101

0,00000

0,00000

0,00000

0,21159

4,52663

74.894

188

26

50,40%

57,47%

11,53824

-0,14276

0,00000

0,00000

0,00000

0,53548

3,60540

169.584

196

63

46,37%

57,09%

4,63947

-0,14008

0,00000

0,00000

0,00000

0,02394

-0,01155

131.356

236

44

48,79%

57,09%

4,64456

-0,10172

0,00000

0,00000

0,00000

0,32984

4,23233

110.621

223

36

51,21%

57,09%

4,06091

-0,07096

0,00000

0,00000

0,00000

0,21066

6,26557

135.092

192

62

46,77%

56,70%

4,60056

-0,14529

0,00000

0,00000

0,00000

0,04784

0,64310

131.656

208

60

46,37%

56,32%

4,44261

-0,13114

0,00000

0,00000

0,00000

0,06352

0,76689

74.791

214

25

49,60%

56,32%

11,34620

-0,15455

0,00000

0,00000

0,00000

0,54290

3,69985

178.155

193

22

48,79%

56,32%

12,94832

-0,16233

0,00000

0,00000

0,00000

0,71040

6,28834

115.701

189

20

50,00%

56,32%

8,12047

-0,09394

0,00000

0,00000

0,00000

0,44639

0,65363

145.552

187

64

46,77%

55,94%

4,78286

-0,14050

0,00000

0,00000

0,00000

0,03237

-0,01458

105.410

220

25

 

Muestral

Extram.

V1

V2

V3

V4

V5

V6

V7

Rentab.

Tiempo

49

50,00%

55,94%

5,48704

-0,14167

0,00000

0,00000

0,00000

0,15612

0,71355

67.378

225

47

48,39%

55,94%

5,55774

-0,21553

0,00000

0,00000

0,00000

0,28275

3,46235

72.518

225

35

52,42%

55,94%

5,02339

-0,06788

0,00000

0,00000

0,00000

0,19953

5,80648

104.340

189

32

52,82%

55,94%

8,57062

-0,08111

0,00000

0,00000

0,00000

0,20169

4,29395

46.441

187

81

49,19%

55,56%

2,49983

-0,08708

0,00000

0,00000

0,00000

0,16008

2,42285

18.986

230

59

46,37%

55,56%

4,59375

-0,14236

0,00000

0,00000

0,00000

0,06523

0,74296

96.323

229

40

49,19%

55,56%

4,63916

-0,10533

0,00000

0,00000

0,00000

0,32038

3,56876

114.588

221

61

46,37%

55,17%

4,58373

-0,14300

0,00000

0,00000

0,00000

0,05567

0,54665

52.462

212

37

51,21%

55,17%

3,97147

-0,06407

0,00000

0,00000

0,00000

0,20649

6,28590

110.485

189

31

51,61%

55,17%

10,17931

-0,21171

0,00000

0,00000

0,00000

0,29145

3,49739

34.815

188

30

50,40%

55,17%

10,62010

-0,19483

0,00000

0,00000

0,00000

0,20503

2,26969

31.269

187

80

47,98%

54,79%

1,97558

-0,08731

0,00000

0,00000

0,00000

0,12666

2,20459

10.131

229

78

47,98%

54,79%

1,98853

-0,09298

0,00000

0,00000

0,00000

0,10455

1,87983

8.678

247

65

46,37%

54,79%

4,37130

-0,13242

0,00000

0,00000

0,00000

0,03396

0,15099

61.689

211

42

49,60%

54,79%

3,91358

-0,09941

0,00000

0,00000

0,00000

0,33102

4,57158

94.580

221

86

48,79%

54,41%

3,49223

-0,11061

0,00000

0,00000

0,00000

0,14233

2,44610

-14.747

251

85

49,60%

54,41%

3,35836

-0,10041

0,00000

0,00000

0,00000

0,14026

2,40943

-5.101

230

84

50,40%

54,41%

3,28548

-0,08770

0,00000

0,00000

0,00000

0,14221

2,36458

-10.735

228

58

46,77%

54,41%

5,37948

-0,16208

0,00000

0,00000

0,00000

0,08071

0,49359

41.570

232

39

50,81%

54,41%

4,46801

-0,10224

0,00000

0,00000

0,00000

0,22596

6,31112

89.428

191

38

50,81%

54,41%

4,11997

-0,08742

0,00000

0,00000

0,00000

0,21977

6,34533

98.325

191

23

49,19%

54,41%

12,11063

-0,12818

0,00000

0,00000

0,00000

0,63121

5,30739

121.819

190

74

44,76%

54,02%

1,34283

-0,09289

0,00000

0,00000

0,00000

0,08431

1,60941

-6.571

219

73

45,56%

54,02%

1,51506

-0,09720

0,00000

0,00000

0,00000

0,06133

1,26378

-9.365

217

48

48,39%

54,02%

5,41947

-0,19148

0,00000

0,00000

0,00000

0,25142

2,67766

32.246

227

41

48,79%

54,02%

4,55127

-0,09876

0,00000

0,00000

0,00000

0,34637

3,95410

70.287

220

28

51,61%

54,02%

10,04149

-0,12237

0,00000

0,00000

0,00000

0,16240

5,21451

61.766

186

24

49,19%

54,02%

12,09865

-0,12927

0,00000

0,00000

0,00000

0,63166

5,30753

114.838

191

77

45,97%

53,64%

1,82315

-0,09562

0,00000

0,00000

</