Professional Documents
Culture Documents
Palabras claves: Rendimientos financieros, Regularidades empricas, Tasa de Cambio, ndice General de la Bolsa Colombia, volatility clustering, fat tails. Clasificacin JEL: F310, C220, G000
Los autores agradecen la financiacin de este proyecto al Fondo de Investigaciones de la Universidad Icesi. Naturalmente, la responsabilidad de las ideas expresadas en este documento comprometen nicamente a los autores.
Las series de rendimientos de activos (o portafolios) financieros poseen unas regularidades empricas asombrosas que, en la mayora de los casos, se encuentran presentes sin importar el mercado en que sean tranzados o el tipo de activo. Estas regularidades empricas se conocen en la literatura especializada como hechos estilizados y han sido documentadas por diferentes autores (Ver por ejemplo a Cont (2001) y Vries (1994)). En este documento, repasamos algunos de esos hechos estilizados y los ilustraremos con los rendimientos de dos activos colombianos y de un portafolio representativo de las acciones transadas en la Bolsa de Colombia (la cesta representativa). En el Grfico 1 se pueden observar tanto la serie de la tasa representativa diaria de mercado (TRM) en Colombia para el periodo correspondiente desde el 25 de septiembre de 1999 al 31 de abril de 2005, y el ndice General de la Bolsa Colombia (IGBC) de 21 de enero de 1991 a1 21 de febrero de 2005, as como sus rendimientos.
Rentabilidad de TRM
2800
2600
Rentabilidad
0 200 400 600 800 1000 1200 1400
TRM
2400
2200
2000
-0.03 0
-0.02
-0.01
0.00
0.01
0.02
Tiempo
200
400
600
800
1000
1200
1400
Tiempo
IGBC
5000
4000
3000
2000
Rentabilidad
0 500 1000 1500 2000 2500 3000 3500
IGBC
1000
-0.05 0
0.00
0.05
0.10
Tiempo
500
1000
1500
2000
2500
3000
3500
Tiempo
Como se puede observar, el comportamiento de los rendimientos (diferencia en los logaritmos) de ambas series presentan similitudes asombrosas. En el resto del documento nos centraremos en esas caractersticas, tanto de los rendimientos como de las series, que denominamos hechos estilizados. Antes de continuar, es importante aclarar que este documento no tiene como intencin demostrar o brindar explicacin al origen de estos hechos estilizados, pero si pretende brindar evidencia sobre la presencia de ellos en las series seleccionadas.
( r = ln ( p ) ln ( p ) ) .
t t 1
corresponde al rendimiento continuo del activo para el periodo t En especial, la funcin de densidad o pdf (la derivada de la
f ( x ) = F ( x ) , de los rendimientos tiene caractersticas
funcin de distribucin),
similares a la normal como la simetra y la forma acampanada. Pero existe una gran diferencia entre las distribuciones empricas de los rendimientos (representada por los histogramas) y la distribucin normal; las distribuciones de los rendimientos tienden a ser ms picuda o leptocrtica que la distribucin normal y posee colas ms pesadas. En la prctica las colas pesadas (fat tails) implican que existe mayor probabilidad de obtener valores extremos (observaciones alejadas muy alegadas de la media) que la que existira en una distribucin normal.
TRM
140
IGBC
50 Frecuencia Relativa 0 10 20 30 40
20
40
F re c u e n c i a s R e l a ti v a 60 80 100
120
-0.05
-0.03 -0.02 -0.01 0.00 Retornos 0.01 0.02 0.03
0.00 Rendimiento
0.05
0.10
Este hecho se puede observar en el Grfico 2 al cul se le ha sobrepuesto al histograma la correspondiente distribucin normal. Estos resultados grficos se pueden corroborar con las estadsticas descriptivas de cada una de las muestras que se reportan en la Tabla 1.
Como era de esperarse, las estadsticas descriptivas tambin refuerzan la evidencia a favor de la no-normalidad de la rentabilidad diaria. En ambos casos es evidente que las distribuciones mustrales son leptocrticas. Tambin existe alguna evidencia de asimetra, aunque como lo puntualizan Guermant y Harris (2002), en presencia de exceso de curtosis dicha asimetra es difcil de interpretar. La no-normalidad de la distribucin de los rendimientos tambin se puede observar grficamente mediante el diagrama de probabilidad normal (normal probability plot o qq plot). Este grfico representa la relacin entre los cuantales muestrales y los tericos de una distribucin normal, si la muestra proviene de una distribucin normal, entonces los puntos muestrales deberan estar sobre una lnea recta. En el Grfico 3 se puede observar claramente como las colas de la distribucin son ms pesadas (fat tails) que la distribucin normal. En otras palabras la probabilidad de obtener valores extremos es mucho mayor en la distribucin emprica de los rendimientos que lo que predice una distribucin normal.
TRM
IGBC
0.01
0.02
Cuantles Muestrales
Cuantles Muestrales
0.00
-0.01
-0.03
-0.02
-0.05
0.00
0.05
0.10
-3
-2
-1
-2
0 Cuantiles Teoricos
Cuantiles Teoricos
Una manera de apreciar claramente la presencia de colas pesadas es por medio de la representacin logartmica de los histogramas. En esta representacin al emplearse una escala logartmica se observa con mayor detenimiento el comportamiento de la distribucin maestral frente al de una distribucin normal. En el Grfico 4 podemos observar como la probabilidad de los valores extremos de las muestras es mucho mayor que lo esperado en la normal. As, estas dos series son un buen ejemplo del hecho estilizado de que los rendimientos son leptocrticos y presentan colas pesadas. Este hecho ha obligado a que se adopten aproximaciones como la teora de los valores extremos al momento de estudiar los rendimientos de los activos, en especial porque los valores extremos son los ms importantes para los actores de los mercados financieros y reguladores.
Grfico 4 Representacin logartmica de los Histogramas de rendimientos
TRM
5
-7
-5
-4
IGBC
4
-7
-6
-4
-3
-2
Rendimientos Semanales
Histograma
50
Q-q Plot
0.04
40
Frecuencias Relativa
30
Cuantles Muestrales
0.02
Log de Prob(ret.>x)
20
0.00
10
-0.02
-3
-2
-1
-1
Retornos
-0.04
-0.04
-0.02
0.00
0.02
0.04
-7
-6
-4
-3
-2
Cuantles Teoricos
Rendimientos Mensuales
Histograma
12
Q-q Plot
0.10
10
Frecuencias Relativa
0.05
Cuantles Muestrales
Log de Prob(ret.>x)
0.00
-0.10
-0.05
0.00 Retornos
0.05
0.10
-0.05
-0.10
-2
-1
-5
-4
-2
-1
-3
-2
-1
Cuantles Teoricos
Grfico 5. Rendimientos de la TRM para diferentes escalas de tiempo. (Cont.) Rendimientos Trimestrales
Histograma
8
Q-q Plot
0.20
Frecuencias Relativa
Cuantles Muestrales
-0.15 -0.10 -0.05 0.00 0.05 Retornos 0.10 0.15 0.20
-0.10
-0.05
0.00
0.05
0.10
0.15
-5
-4
-2
-1
-3
-2
-1
Cuantles Teoricos
0 e+00
1 e-04
200
400
600 Retornos
800
1000
1200
1400
Volatilidad Historica
2 e-04
500
1000
1500 Retornos
2000
2500
3000
3500
Volatilidad Historica
0.00000
0.00005
0.00010
0.00015
200
400
600 Retornos
800
1000
1200
1400
500
1000
1500 Retornos
2000
2500
3000
3500
El trmino volatilidad histrica se refiere a calcular la varianza para los ltimos h datos (ventana) para cada una de las observaciones. Es decir, siempre se calcular la varianza con los ltimos h datos, donde h es una constante.
V o la tilid a dH is to r ic a
Volatilidad Historica
0.00010
0.00000
0.00005
200
400
600 Retornos
800
1000
1200
1400
0 .0 0 0 0
0 .0 0 0 4
0 .0 0 0 8
0 .0 0 1 2
500
1000
1500
2000
2500
3000
3500
Retornos
Volatilidad Historica
0.00010
Volatilidad Historica
0 200 400 600 Retornos 800 1000 1200 1400
0.00005
0.00000
0 e+00
2 e-04
4 e-04
6 e-04
8 e-04
1 e-03
500
1000
1500 Retornos
2000
2500
3000
3500
Como se puede observar en el Grfico 6, empleando diferentes ventanas, la volatilidad de las series de los rendimientos no es constante a travs del perodo de estudio. Existen otras maneras de medir la volatilidad como emplear el valor al cuadrado de los rendimientos o su valor absoluto3. Cualquiera de estas medidas mostrar el mismo fenmeno: la volatilidad de los rendimientos no es constante (Ver Grfico 7).
Los rendimientos al cuadrado se emplean como medida de volatilidad dado que los rendimientos
2
comnmente presentan un promedio estadsticamente igual a cero, entonces la expresin ( Rt ) ser equivalente al cuadrado de los rendimientos. As, el cuadrado de los rendimientos muestra la desviacin con respecto a la media. Igual razonamiento justifica la utilizacin del valor absoluto de los rendimientos como medida de la volatilidad.
10
IGBC
0.025
0.020
0.015
0.010
0.005
0.000
0.00 0
0.02
0.04
0.06
0.08
0.10
500
1000
1500
2000
2500
3000
3500
200
400
600
800
1000
1200
1400
Tiempo
Tiempo
6 e-04
8 e-04
4 e-04
2 e-04
0 e+00
0.000 0
0.004
0.008
0.012
200
400
600
800
1000
1200
1400
500
1000
1500
2000
2500
3000
3500
Tiempo
Tiempo
Por otro lado, existe una fuerte relacin entre la volatilidad en un perodo determinado y las volatilidades pasadas. La funcin de autocorrelacin (ACF por su sigla en ingls) del valor absoluto de los rendimientos (o el cuadrado de ellas) es una manera sencilla de estudiar la relacin lineal entre la volatilidad. (Ver Grfico 8)
11
0.6
10
15 Rezagos
20
25
30
35
10
15 Rezagos
20
25
30
0 . 6
A C F
0 . 4
0 . 2
0 . 0
10
15 Rezagos
20
25
30
0 5 10 15 Rezagos 20 25 30 35
El Grfico 8 demuestra la presencia de correlacin entre diferentes perodos de la volatilidad de los rendimientos. Es decir, la volatilidad de un periodo determinado est relacionada con los valores pasados de esta, en otras palabras existe volatilidad agrupada (volatility clustering). Este hecho implica que la volatilidad presenta un patrn de comportamiento que potencialmente podra ser modelado estadsticamente de tal forma que se puedan brindar pronsticos de la volatilidad. Usualmente, los trabajos empricos emplean modelos estadsticos como el de heteroscedasticidad condicional auto-regresiva generalizado, GARCH(p.q) por su nombre en ingls. Este modelo implica que: Rt = + t (3) Donde la varianza condicional del trmino de error t ( t2 ) se supone que seguir el siguiente patrn:
t2 = 0 + i t2i + it2i
i =1 i =1
0.0
0.2
0.4
0.6
0.8
(4)
con p, q, i , i 0 y 0 > 0 .
La lnea punteada corresponde a un intervalo de un nivel de confianza del 99% dentro del cual la autocorrelacin muestral no es significativamente diferente de cero.
4
12
En resumen, este hecho estilizado implica que variaciones grandes en los precios tienen mayor probabilidad de ser seguidos por variaciones grandes en el precio. As, existe la necesidad de modelar la volatilidad de los rendimientos con mtodos estadsticos que permitan capturar la variabilidad de la volatilidad al momento de considerar el riesgo asociado a las series de rendimientos.
Comentarios finales
En este documento hemos ejemplificado con las series de la Tasa Cambio Representativa de Mercado y el ndice General de la Bolsa Colombia 4 hechos estilizados muy conocidos en la literatura financiera: i) las series de precios siguen un camino aleatorio, ii) la distribucin de los rendimientos es leptocrtica y exhibe colas pesadas, iii) a medida que se calculan los rendimientos para periodos de tiempo ms amplios su distribucin se acerca ms a la distribucin normal, y iv) los rendimientos presentan Volatilidad agrupada (volatility clustering). Estos hechos estilizados asombrosamente se encuentran presentes en la mayora de las series de rendimientos (y precios) sin importar que tipo de modelo o supuestos paramtricos se efecten. As, estos hechos estilizados deben ser entendidos como una restriccin para cualquier modelo emprico y terico que se emplee para explicar el comportamiento de los precios de los activos o medidas de volatilidad. De hecho, todo el desarrollo resiente en el clculo del VaR (Valor en riesgo por su sigla en ingls) tratan de incorporar estos hechos estilizados en las estimaciones (Ver Alonso y Arcos (2005)). Finalmente es importante anotar, como lo hace Rama (2001), que una pregunta an sin resolver es si estos hechos empricos pueden ser empleados o no para ratificar o descartar aproximaciones de la teora econmica a la explicacin de la realidad.
Referencias
Alonso C., Julio Csar and Mauricio Alejandro Arcos. 2005. "Valor en riesgo: evaluacin del desempeo de diferentes metodologas para 7 pases latinoamericanos." Mimeo. Breitung, Jorg. 2002. "Nonparametric Tests for Unit Roots and Cointegration." Journal of Econometrics., 108:2, pp. 343-63. Cont, Rama. 2001. "Empirical Properties of Asset Returns: Stylized Facts and Statistical Issues." Quantitative Finance, 1:2, pp. 223-36. Dickey, David A. and Wayne A. Fuller. 1979. "Distribution of the estimators for autoregressive time series with a unit root." Journal of the American Statistical Association, 74:366, pp. 427-31. 13
Guermat, Cherif and Richard HArris. 2002. "Forecasting value at risk allowing for time variation in the variance and kurtosis of portfolio returns." International Journal of Forecasting, 18, pp. 409-19. Kwiatkowski, Denis, Peter C. B. Phillips, Peter Schmidt, and Yongcheol Shin. 1992. "Testing the null hypothesis of stationarity against the alternative of a unit root: How sure are we that economic time series have a unit root?" Journal of Econometrics, 54:1-3, pp. 159-78. Phillips, Peter C. B. and Pierre Perron. 1988. "Testing for a unit root in time series regression." Biometrika, 75:2, pp. 335-46. Vries, C. G. de. 1994. "Stylized Facts of Nominal Exchange Rate Returns," in The Handbook of International Macroeconomics. F. van der Ploeg ed. Oxford: Blackwell, pp. 348 - 89.
14
TRM t LN (TRM t )
IGBC t
LN ( IGBC t )
ADF, PP y Breitung (2002): Corresponden a los respectivos estadsticos de la prueba de estacionaridad de Dickey - Fuller, Phillips Perron y Breitung (2002). KPSS: Corresponde al estadstico de la prueba de races unitarias de Kwiatkowski, Phillips, Scmidt y Shin (1992). (): Rechaza la hiptesis nula de un proceso con raz unitaria a un nivel de significancia del 10% (): Rechaza la hiptesis nula de un proceso con raz unitaria a un nivel de significancia del 5% (): Rechaza la hiptesis nula de un proceso con raz unitaria a un nivel de significancia del 1% (+): Rechaza la hiptesis nula de un proceso estacionario alrededor de una tendencia a un nivel de significancia del 10% (++): Rechaza la hiptesis nula de un proceso estacionario alrededor de una tendencia a un nivel de significancia del 5% /1: El nmero optimo de rezagos se determina de acuerdo al criterio de informacin Akaike (AIC).
15
16
Rendimientos Semanales
Histograma
0.20
15
Q-q Plot
3
0.15
0.10
Cuantles Muestrales
Frecuencia Relativa
Log de Prob(ret.>x)
10
0.05
0.00
-3 -6
-2
-1
-5
-4
-2
-1
-0.1
0.0 Retornos
0.1
0.2
-2
0 Cuantles Teoricos
Rendimientos Mensuales
Histograma
0.6
Q-q Plot
0.4
Cuantles Muestrales
Log de Prob(ret.>x)
Frecuencia Relativa
0.2
0.0
-0.2
-4
-3
-2
-1
-5
-4
-3
-1
-2
0 Cuantles Teoricos
-0.2
0.0
0.2 Retornos
0.4
0.6
17
Rendimientos Trimestrales
Histograma
2.0
Q-q Plot
0.5
Frecuencia Relativa
1.5
1.0
Cuantles Muestrales
Log de Prob(ret.>x)
0.5
0.5
0.0
0.0
-0.5
0.0
0.5 Retornos
1.0
-2.5
-2.0
-1.5
-1.0
1.0
-0.5
0.0
-4
-3
-1
-0.5
-2
0 Cuantles Teoricos
18