ESTADISTICA ESPAÑOLA

Vol. 34, Núm. 131, 1992, págs. 431 a 453

Distribución de los rendimientos

de acciones (*)

por
AMADO PEIRO GIMENEZ
Departamento de Análisis Económico
de la Universidad de Valencia

RESUMEN

En el presente trabajo se examina la distribución de los rendi-

mientos de acciones españoias. Tras considerar diversas distribu-
ciones propuestas en ia literatura, se estíman sus parámetros y se
analiza su adecuación a los rendimientos diarios y mensuales de
nuestro mercado de acciones.

Palabras clave: Acciones, distribución, máxima-verosimilitud, rendi-

mientos.

Clasificación AMS: 60E99, 90A19.

1. INTRODUCCION

EI análisis de la distribución de los rendimientos de las acciones tiene una

larga tradición en la literatura estadística y económica. La trascendencia de la
investigación sobre este punto no se limita a la mera determinación de su
distribución o a sus repercusiones sobre posibles inferencias o contrastes de
hipótesis.
(*) Agradezco los comentarios y sugerencias de A. Bergés, I. Mauleón, V. Meneu, J.
Quesada, J. L. Raymond y, especialmente, de E. Uriel y de dos evaluadores anónimos. Los
errores subsistentes sólo se deben a mi contumacia.
 k ti l:1[)I^ f lt ^ k tiF'^1wt 11 ^1

Por el contrario, su aicance es mucho más importante. Una parte considera-

ble del análisis en economía financiera descansa sobre el supuesto de normali-
dad, hasta el punto de que muchos de los modelos más importantes, como
pueden ser los modelos de media-varianza (véase Markowitz, 1987), CAPM
(Sharpe, 1964; Mossín, 1966, y Lintner, 1965) o el modelo de valoración de
opciones de Black-Scholes (Black y Scholes, 1973), dependen crucialmente del
supuesto de normalidad de los rendimientos. Por lo tanto, parece lógico abordar
con cierto detalle el estudio de la distribucián de los rendimientos del mercado
de acciones español.

Para ello, en el apartado 2, se exponen las principales distribuciones pro-

puestas y los resultados obtenidos en otros mercados. En el apartado 3, tras
detallar el procedimiento de obtención de las series de rendimientos utilizadas,
contrastaremos su distribucián normal. EI rechazo de esta distribución nos Ileva
a plantear distribuciones alternativas. En el apartado 4 se consideran algunas
de estas distribuciones alternativas para el mercado de acciones español. Por
último, en el apartado 5, se resumen las principales conclusiones de este
trabajo.

2. EL ANALISIS DE LA DISTRI6UCION DE LOS RENDIMIENTOS

EI inicio de la investigacián sobre la distribución de los rendimientos se

remonta a finales del siglo pasado, cuando Bachelier (1900) propuso para éstos
un proceso de ruido blanco normal o gaussiano. Desde entonces, la normalidad
de los rendimientos fue, en general, aceptada hasta la década de los sesenta, si
bien diversos autores habían Ilamado la atención sobre algunos aspectos de su
distribución empírica. Así se habia constatado repetidas veces que la distribu-
ción empírica de los rendimientos suele ser más puntiaguda que la de una
distribución normal, al tiempo que sus colas son más grandes (leptocurtosis).

Casi todas las aportaciones realizadas que proponen distintos tipos de

distribuciones alternativas persiguen dar cuenta de estos fenómenos empí ricos.
Uno de los primeros trabajos en esta línea fue el de Mandelbrot (1963), en el
que se consideraba la familia de distribuciones Pareto-estables (PE). Esta
familia no admite una expresión analítica explícita para las funciones de densi-
dad, por lo que se defínen por el logaritmo de su función característica, en la
forma

lo 9()
f t=ibt- ^rlt^x
I 1+ ^Rt
t tan a^
2 t1 l
II
 UItiTRItiI^t^I^aN UF t(^^ KI^VUIti^tlt^^b^^^ ^ ti I)f^ ^-^^ t I^^^^tt^ti -^ i^

A la vista de la expresión anterior, las funciones de distribución PE quedan

determinadas por cuatro parámetros: a, [3, Y y b. Estos parámetros guardan una
cierta relacián con los cuatro primeros momentos de la distribución. Así, b es un
parámetro de posición que es igual a la esperanza de la distribución en el caso
en que a> 1; ^y es un parámetro de escala, y^i, que puede tomar valores en [-1, 1],
nos indica la simetría de la distribución, siendo ésta simétrica cuando ^3=0. Por
últirno, a, que verifica o<a<_2, nos refleja el tamaño de las colas de la distribu-
ción, siendo éstas mayores que las de la distribución normal cuando a<2.

Sólo en casos excepcionales se dispone explícitamente de la funcián de

densidad. Uno de tales casos se da cuando a=2. Si en la ecuación [1 ] hacemos
a=2, se obtiene

logf(t)=iSt-yt2 [2l

y ésta es la expresión del logaritmo de la función característica de una distribu-

ción normal de esperanza b y varianza 2^y. Por lo tanto, tenemos que la distribu-
ción normal es un caso particular (a=2) de distribución PE. De hecho, éste es el
único tipo de distribución PE cuya varianza existe. En todos los demás casos
(o<a<2), la varianza de la distribución no existe.

Las distribuciones PE gozan de dos propiedades que las hacen especial-

mente atractivas para modelizar los rendirnientos bursátiles. En primer lugar,
toda posible distribución límite de sumas de variables aleatorias independientes
e idénticamente distribuidas es PE (Lévy, 1925). Esta propiedad, de la que el
teorema central del límite de Lindeberg-Lévy es un conocido caso particular, es
de gran interés para el análisis de los rendimientos del mercado de acciones y,
en general, para cualquier mercado financiero. Nlandelbrot (1963) y Fama {1963)
han argumentado que, en la medida en que las variaciones de los logaritmos de
los precios de los activos financieros responden a nuevas unidades de informa-
ción disponibles por los agentes, el suponer un número de éstas lo suficiente-
mente elevado, así como su combinación aditiva, apoya la tesis de la distribu-
ción PE.

La otra propiedad interesante es la estabilidad respecto a la adición (de ahí

el nombre de estables). Si la variable aleatoria x sigue una distribución PE de
parárnetros a, [i, y y ó, lo que representamos mediante

x^PE(a, ^3, y, ó) [3]

y otra variable aleatoria y sigue la misma distribución

y--^PE(a, [3, y, b) [4]

 k^til ^^11ftil^l( ^^ F^tif'^^ti^)l _^1

entonces

x+y--^PE(a, ^i, 2y, 2ó) ^5J

De este modo, al postular este tipo de distribución para los rendimientos, la

unidad de tiernpo empleada en su cómputo tiene una importancia relativamente
secundaria. Como ejemplo se tiene que si los rendimientos diarios siguen una
distribución PE, los rendimientos mensuales seguirán tamb'rén una distribución
PE con los dos primeros parárnetros idénticos a los de la distribución diaria.

Sin embargo, en contrapartida a las propiedades anteriores, la familia de

distribuciones PE presenta serios problemas. Si la varianza de la distribución no
existe, cabe cuestionar la aplicación de algunas de las técnicas estadísticas y
econométricas convencionales. Por otra parte, al no disponer de una expresión
explícita para la función de densidad, no resulta posible utilizar directamente
métodas de estimación como el de máxima verosimilitud, por lo que frecuente-
mente se recurre a procedimientas ad hoc con propiedades desconocidas. Esto
mismo es extensivo a los errores estándar de los estimadores y, en definitiva, a
los contrastes de hipótesis.

^os estudios realizados por Mandelbrot (1963), para el mercado del algo-
dón, y Fama (1963 y 1965), para los treinta valores integrantes del índice Dow-
Jones, pusieron de manifiesto que las distribuciones PE se ajustan mejor a los
rendimientos de estos mercados que la distribución normal. Además, las esti-
maciones de a arrojaban valores menores que 2, si bien relativamente próximos
a esta cifra. En nuestro país, Peña (1989) ha estimado los parámetros de
distribuciones PE para los rendimientos derivados de distintos tipos de cambio
diarios de la peseta, obteniendo estimaciones de a comprendidas entre 1,35 y
1,55, lo que le Ileva inicialmente a rechazar la norrnalidad frente a estas alterna-
tivas. Sin embargo, encuentra un comportamiento inestable del parámetro a
frente a la agregacibn.

Una línea de traba ^ o, que ha resultado ser fecunda y de gran generalidad, ha

sido la caracterización de los rendimientos a través de procesos estocásticos
subordinados (Clark, 1973, y Blattberg y Gonedes, 1974). Sean {X't} y{Tt}
sendos procesos estocásticos con T^>T^, si y sólo si t>t'. AI proceso {XTr } se le
denornina proceso estocástico subordinado a {Xt}, siendo {Tt} el proceso de
dirección (véase, por ejemplo, Feller, 1978).

EI proceso de los rendimientos admite una interpretación natural en térmi-

nos de procesos estocásticos subordinadas. Si las variaciones de los logaritmos
de los precios reflejan la Ilegada de nueva información al mercado, ésta no se
genera a un ritmo uniforme a lo largo de! tiempo cronológico. Existen períodos
 ^^^^+rR^^3^ c ^t ^ ^i ^ ^ t^ l^,ti kl ti^,^tit^f ti r^ati [^^ ^i ^. ^^,til ti -^,i;

de tiempo en los que afluye muy poca información, mientras que en otros
períodos el mercado recibe un gran volumen de información. De ahí la conve-
niencia de tomar como proceso de dirección no ya al tiempo cronológico, sino,
permítase la expresión, al tiempo de mercado o, como lo han Ilarnado algunos
autores, tiempo transaccional.

Este enfoque de caracterización de los rendimientos a través de procesos

estocásticos subordinados es de gran generalidad, admitiendo diversos casos
particulares de interés. Así, por ejemplo, si X^ se distribuye norrnalmente y Tt
sigue determinado tipo de distribución PE, {XT } seguirá una distribución PE
^
simétrica con a<2.

Otro tipo de distribución de gran interés es la distribución t de Student. Esta

se obtiene al suponer un proceso estocástico subordinado normal y un proceso
de dirección con distribución gamma-2 inversa. La distribución t de Student fue
propuesta por autores como Praetz (1972) y Blattberg y Gonedes ( 1974), siendo
su función de densidad

v+1
r 2 (xTµ)2 -(^+^)
f(x)- v 1+ 2 2 [6]
r ^(v-2)a2 ( v--2)6
2

donde T' designa a la función garnma, µ es un parámetro de localización que es

igual a la esperanza de x si v>1, a es un parámetro de escala que es igual a la
desviación típica de x si v>2, y v es el parámetro de grados de libertad.

Es sabido que la distribución t de Student presenta unas colas mayores que

las de la distribución normal, al tiempo que converge a esta distribución al
tender a infinito los grados de libertad. De este modo, la distribución t nos
permitiría explicar algunos de los rasgos de la distribución ernpírica de los
rendimientos, como son las colas tan anchas que se observan, así como, en
virtud del teorema central del límite, una mayor proximidad a la distribución
normal conforme aumenta el intervalo de tiempo para el que se calculan los
rendimientos. Además, frente a las distribuciones PE, al disponer de una fun-
ción de densidad explícita, podemos utilizar muchos de los procedimientos
estadísticos habituales y, en particular, podemos estimar los parámetros de
interés par máxima verosimilitud.

Sin embargo, en su debe figura que las distribuciones t no son estables

respecto a la adición, por lo que los intervalos de tiempo no serán irrelevantes
respecto al tipo de distribución, a menos que sean lo suficienternente grandes
para que, en virtud del teorema central del límite, se produzca convergencia a
la normalidad.
 f^^^ f ^tif)Iti1^l(^^^1 f-!^ t'AN^it A

Tanto Praetz (1972), trabajando con rendimientos semanales de la bolsa de

Sydney, como Blattberg y Gonedes (1974), con los rendimientos diarios de los
treinta valores integrantes del Dow-Jones industrial, obtienen rnejores resulta-
dos utilizando la t de Student que distribuciones PE. Estos últimos autores
presentan estimaciones de los grados de libertad comprendidas entre 2,52 y
13,26 (si bien sólo tres valores arrajan estimaciones superiores a 7), con un
valor promedio de 4,79. Por otra parte, para las distribuciones PE obtienen
estimaciones de a entre 1,45 y 1,87, con una media de 1,65, en sintonía con los
resultados obtenidas por Fama y Roll (1971).

Dentro del enfoque de los procesas estocásticos subordinados se han consi-

derado otros rnodelos como el lognormal-normal, que se presenta al considerar
un proceso cuyos incrementos son independientes y siguen una distribución
normal, rnientras que el proceso de dirección presenta unos incrementos inde-
pendientes y con distribución logarítmico-normal. En el trabajo en que se propu-
so esta distribución, Clark (1973) midió la velocidad de la evolución del proceso
de dirección a través del volurnen de contratacián. Los resultados que obtiene
con el modelo lognormal-normal para el mercado del algodón son superiores a
los del modelo PE.

Como ya señaló Mandelbrot (1973) en su comentario al trabajo de Clark

{1973), el concepto de proceso estocástico subordinado puede considerarse
como una interpretación concreta de mixtura de distribuciones, repe#idamente
propuestas para describir los rendimíentas bursátiles. Asi, el modelo lognormal-
normal es equivalente a una mixtura de una distribución normal y una distribu-
ción logaritmico-normai para su varianza; es decir, una distribución normal en la
que la varianza es una variable aleatoria que sigue una distribución logarítmico-
normal. Una interpretación análoga se puede realizar del modelo t. De hecho,
mientras que Blattberg y Gonedes (1974) introducen la distribución t a partir del
concepto de proceso estocástico subordinado, Prae#z {1972) la había utilizado
con anterioridad derivándola a partir de la mixtura de una distribución normal
con una gamma-2 inversa.

Un modelo de mixturas especialmente sencillo es la mixtura discreta de dos

distribuciones normales. Ello supone considerar que los rendimientos se ex-
traen con una probabilidad b de una distribución normal de determinados
parámetros y con una probabilidad 1-fi de otra distribución normal de parámetros
posiblemente distintos a los anteriores. f`ormalmente,

x--N(µ^, 6^ ) con probabilidad b [7]

x^N(µ2, 62 ) con probabilidad 1-ó

 [)IS^i^RIE3t^C^lUN [)l^ l.l)ti Itt.NUlti11f^^J^^f( ^ ^, [^1^ ;^t^l_^I( ^ Nl^ti

de forma que la función de densidad vendrá dada por

(x__µ,)z ^X_µ?^^

_
f (x)- S g 26^ + 1-S e 2^^
6
1L 1C6

con una generalización obvia a mixturas de más de dos distribuciones. Este

modelo es muy flexible, admitiendo como casos particulares distribuciones
simétricas ( si las esperanzas son iguales o si 5=0,5 y 6,=a2), asimétricas,
unimodales ( véanse las condiciones en Eisenberger, 1964, y Behboodian, 1970),
bimodales e, incluso, la propia distribución norrnal ( cuando coinciden esperan-
zas y varianzas o S toma alguno de sus valores extremos). En especial resultan
muy potentes para modelizar la curtosis. La esperanza de la mixtura es
bµ^+(1-S)µ2, mientras que la varianza viene dada por (Cohen, 1967)

Var(x)=s[(µ,-E(x))2+a; ]+( ^ -b)[(µ2-E(X))2+62] [gl

En Kon (1984) se puede encontrar una comparación de este tipo de rnixturas

con el modelo t de Student para diversos í ndices del New York Stock Éxchange,
así como para los valores integrantes del índice Dow-Jones industrial.

La caracterización de los rendimientos bursátiles a través de procesos

estocásticos subordinados o mixturas de distribuciones ha sido una línea de
trabajo importante a partir de Clark (1973). Sin embargo, al margen de este
enfoque, se han apuntado nuevas distribuciones, al arnparo del ajuste que
proporcionan y de la generalidad que suponen en algunos casos.

Smith (1981 } sugirió la distribución logística, con función de densidad

X-µ

e °`
f(x)= X_N 2 [10]
a 1+e ^

siendo µ la esperanza de x y a un parámetro de escala cuya relación con la

desviación tí pica de x es

Es sabido que esta distribución es muy similar a la normal, pero presenta unas
colas más anchas. Por ello, esta distribución debe permitir explicar la elevada
curtosis de los rendimientos mejor que la distribución normal.
 f^ r.^^,i^ ^^^ t f ^F^ ^ti^,r ^

Por otra parte, Gray y French (1990) consideran la familia de distribuciones

de potencias exponenciales, también Ilarnada distribución general de errores,
introducida por Box y Tiao { 1973), y que presenta la siguiente función de
densidad

^
_ 2 ( iX-µl ) ''^i
f(x)_ e ^
[12]
3+a
2 2 T' 3+R
^ 2

donde µ=E [x] y ^ es un parámetro ( positivo) de escala cuya relación con la

varianza de la distribución viene dada por

2^+^^r 3+3R 2
Var(x)= 2 ^
[13]

EI parárnetro ^i, que verifica -1 <^i<_1, se puede contemplar como una medida
de curtosis que indica el grado de «no-normalidad» de la distribución, de forma
que cuando ^i<0 la distribución es platicúrtica, mientras que si ^3>0 es leptocúrtica
(Box y Tiao, 1973). Se puede cornprobar fácilmente que para R=O, [12] da lugar
a la distribución normal; para ^i=1 se obtiene la distribución exponencial doble,
mientras que al tender ^i a-1 la dístríbución tiende a la distribución uniforme.

En un recien#e trabajo, utilizando rendimientos diarios del índice Standard &

Poor's 500 en el período 1979-1987, Gray y French (1990) realizan un estudio
cornparativo de tres distribuciones: la distribución t, la logística y la familia de
distribuciones de potencias exponenciales, obteniendo estimadores por máxima
verosimilitud para los parámetros de todas estas distribuciones. La estimación
de los grados de libertad en la distribución t, 6, coincide con lo obtenido por
Praetz (1972) y Blattberg y Gonedes (1974). AI comparar los ajustes de cada
una de las tres distribuciones mediante diversos estadísticos, la familía de
distribuciones de potencias exponenciales es la que proporciona mejores resul-
tados. Asimismo, rechazan la hipótesis de distribución normal anidada dentro
de la familia de distribuciones exponenciales.
 t11tiTKltt1^(^1( ^ V 1)t L ^^ ^;KI til)1ti11f ylt ^ ti I)f ^( t I ^ ^tit ^

3. SERIES DE RENDIMIENTOS

A lo largo de las páginas siguientes vamos a utilizar tanto rendimientos

diarios como mensuales del mercado de acciones español. Por lo que respecta
a los rendimientos diarios, se disponía del índice general diario de la Bolsa de
Madrid para el período comprendido entre el 2 de enero de 1986 y el 28 de
diciembre de 1990. Este índice se construye a partir de los índices diarios de
valores, incorporando correcciones por el pago de dividendos y por las amplia-
ciones de capital. AI excluir, por motivos obvios, los sábados y domingos del
período señalado anteriormente, se tiene que éste abarca un total de 1.302
días. De este modo, la serie del índice general diario consta de 1.302 valores,
de los que 67 son valores faltantes (missing values) debido a los días en los que
no ha habido sesión de contratación en la Bolsa de Madrid.

A partir de esta serie se generó la serie de rendimientos diarios a través de

diferencias logarítmicas. Es decir, mediante

IGD^
Rr= log [ 14]
IGD ^__^

donde R^ es el rendimiento correspondiente al día t e/GDr es el índice general

diario correspondiente a ese mismo día. Aquellos rendimientos cuyo cómputo
suponía la utilización de algún valor faltante en la serie del índice general diario
se han considerado, a su vez, valores faltantes.

De esta forma, la serie de rendimientos así obtenida se extiende desde el

día 3 de enero de 1986 (viernes) hasta el día 28 de diciembre de 1990 (viernes)
y está integrada por 1.179 observaciones, una vez excluidos los valores
faltantes.

Por lo que respecta a los rendimientos rnensuales, éstos se han obtenido a

partir del índice iargo total general, elaborado por la Bolsa de Madrid, que
corrige los efectos del pago de dividendos y de las ampliaciones de capital
(véase Bolsa de Madrid, 1977 y 1988). Este índice se ha deflactado dividiendo
entre el índice mensual de precios (índice de coste de la vida hasta diciembre
de 1975 y, posteriormente, mediante el índice de precios al consurno). A partir
del índice largo total general deflactado se ha obtenido la serie de rendimientos
mensuales reales mediante diferencias logarítrnicas. La serie así obtenida consta
de 600 observaciones, correspondientes a cada uno de los doce meses de los
cincuenta años comprendidos entre 1941 y 1990.

Conviene precisar que la metodología empleada por la Bolsa de Madrid en

la elaboración de los índices general diario y largo total no es idéntica. Las
diferencias se limitan, básicamente, al tratamiento de los distintos dividendos
 E^.^i^E^^AI)Ititl(^,^, t^SPA*JttL,^

correspondientes a acciones nuevas y viejas y a ligeros cambios en los valores

seleccionados y en sus ponderaciones en la confección de los índices. Estas
pequeñas diferencias, junto con el hecho de que el índice mensual ha sido
deflactado rnientras que el diario no debido a la carencia de un deflactor
diario , provocan que no podamos cansiderar, en rigor, a los rendimientos
mensuales como meras sumas de los rendimientos diarios. Sin embargo, las
diferencias existentes en el período 1986-1990 entre los rendimientos mensua-
les y las carrespondientes agregaciones de rendimientos diarios son de escasa
importancia.

En las figuras 1 y 2 se muestran las evoluciones de los rendimientos diarios

y mensuales, respectivamente, y en la tabla 1 se presentan algunos estadísti-
cos de interós relativos a sus distribuciones muestrales. Para cada tipo de
rendimientos se recoge el número de observaciones utilizadas, la media muestral
y la desviación típica muestrai. Los coeficientes de asimetría se han obtenido
mediante

^(Rt R)3/T
^15]
(^(Rr R)2/T )3'a

y este estadística se distribuye asintóticamente, bajo el supuesto de normali-

dad, como una N(0, 6/T), donde T es el tamaña muestral.

Los coeficientes de curtosis se han calculado mediante

E(R^R)4/T
t16]
(^(Rr R)2l T )2

y este estadístico se distribuye asintáticamente, bajo normalidad, como una

N(3, 24/T ).

Tabla 1

Rendimientos Rendimientos
diarios mensuales

Observaciones .............................. 1.179 600

Media . ............................................ 4,98E-4 2,14E-3
Desviación típica .......................... 0,012 0,050
Asimetría ....................................... -0,462 -0,407
Curtosis ......................................... 9,789 7,287
Rango studentizado ..................... 13,286 10,762
Adh. de Pearson ........................... 167,643 31,262
Kolmogorov-Smirnov .................... 0,100 0,065
Jarque-Bera .................................. 2.306,584 476,137
 Ultilftlfilo('I^>N UE l.^)ti KFNUIti11f N1^^^ 1>F -^( c Ic^NF^

Figura 1
RENDIMIENTOS DIARIOS
0,1
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
-0,01
-0, 02
-0,03
-0, 04
-0, 05
-0, 06
-0, 07
-0, 08
-0, 09
-0,1 .r_ -r-- _ _T _ -r- -r--
1986 1987 1988 1989 1990

Figura 2
RENDIMIENTOS MENSUALES REALES
0,4

0,3

0,2

0,1

-0,1

-0, 2

-0, 3

-0,4

1941 1945 1950 1955 1960 1965 1970 1975 1980 1985 1990
 E°1^^f^^1)I`+(I(^A I^^#',^^^1 ^ ^ ^•1

^os rangos studentizados se han obtenido dividiendo el rango muestral por

la desviación típica muestral. Para ia obtención del estadístico de Pearson de
adherencia a una distribución normal (cuyos parámetros se han estimado) se
han formado 9 y 10 intervalos, para los rendimientos diarios y mensuales,
respectivamente. EI estad^stico de Kolgomorov-Smirnov corresponde al con-
traste de normalidad, habiéndase estirnada Ios parámetros de la distribución.
Por último, el estadístico de Jarque-Bera (véase Jarque y Bera, 1980) se ha
calculado mediante

Asi 2 {Cur-3)2
T 6 + ^4 [17]

donde Asi y Cur san, respectivamente, los coeficientes de asimetría y curtosis

obtenidos en la forma anteriormente indicada. Bajo la hipótesis nula de norma-
lidad, este estadístico se distribuye aproximadamente como una x2 con 2 grados
de libertad.

^os estadísticos presentados para los rendimientos diarios son sumamente

contundentes en el rechazo de la normalidad. Este alejamiento de la normalidad
se debe, en buena medida, al elevado grado de curtosis existente, imputable a
la existencia de valores extremos.

Análogas conclusiones se obtienen para los rendimientos mensuales (véase

Bergés, 1984), si bien debemos realizar algunas matizaciones. Así, en primer
lugar, el rechazo no es tan contundente, en el sentido de que los niveles de
significación críticos que se obtienen son mucho mayores para los rendimientos
mensuaies que para los diarios. Salvando los diferentes períodos muestrales y
las diferentes metodologías, esto era de esperar, ya que al medir los rendimien-
tos mediante diferencias logarítmicas, el rendimiento correspondiente a un de-
terminado mes es igual a la suma de los rendimientos correspondientes a los
días que integran dicho mes.

Por otra parte, si se excluye una única observación la correspondiente a

octubre de 1987 , algunos contrastes arrojan niveles de significación críticos
próximos a! convencional 0,05.

En consecuencia, ante el rechazo contundente de la normalidad de los

rendimientos diarios y el rechazo con matizaciones para los rendimientos men-
suales, debemos pasar a explorar distribuciones alternativas.
 I)Iti^lkllil^t.^l( ^ ^f I)f^ L ^ l^ Ftt^^+lal!^11t^tiE ^ r^ I)k^ ^\< ^ It ^ yl^^ti

4. DISTRIBUCION DE LOS RENDIMIENTOS DEL MERCADO DE ACCIONES

ESPAÑOL

Con el objetivo de determinar la distribución de tos rendimientos se han

estimado por máxima verosimilitud los parámetros de distintas distribuciones
posibles de los rendimientos. Las distribuciones consideradas son, práctica-
mente, las mismas que se han tratado en las páginas anteriores. Sin embargo,
resulta procedente realizar dos precisiones.

En primer lugar, no se ha considerado la familia de distribuciones Pareto-

estables. Ello obedece a un doble rnotivo: la dificultad que supone la estimación
de sus parámetros (recurriéndose con frecuencia a métodos gráficos de propie-
dades desconocidas) y, sobre todo, a que, hoy en día, ya no cabe considerar a
este modelo corno apropiado. ©e hecho, anteriormente hemos apuntado un
aspecto que puede tomarse como argumento en contra de este tipo de distribu-
ción: el menor alejamiento de la normaiidad de los rendimientos mensuales que
el de los rendirnientos diarios (1). En segundo lugar, dado el interés teórico que
suponen, se han estimado mixturas de dos distribuciones norrnales con la
restricción de tener un parámetro común.

La estimación de los parámetros se ha Ilevado a cabo mediante el procedi-

miento de optimización no lineal de Berndt, Hall, Hall y Hausman (1974), utili-
zando las derivadas analíticas del logaritmo de la función de verosimilitud. En
casí todos los casos se ha alcanzado la convergencia con resultados razona-
bles. Así, la distribución normal, logística, t de Student, mixtura de normales y
mixtura de normales con igual esperanza no han planteado ningún problema
especial. Por el contrario, en los casos de la distribución de potencias
exponenciales para los rendimientos diarios y en la mixtura de distribuciones
normales con igual varianza para los rendimientos mensuales no se ha alcanza-
do la convergencia, pese a haber utilizado distintos conjuntos de valores inicia-
les y distintos procedimientos de optimización {entre los que cabe citar el de
Davidson-Fletcher-Powell, bastante robusto a los valores iniciales) (2).

(1) Esto puede hacerse extensivo a los rendimientos anuales, para los que puede aceptarse
la normalidad.
(2) AI menos por lo que respecta a los rendimientos diarios, posiblemente estos problemas
no sean independientes del tormentoso período muestral utifizado. Así se puso de manifiesto
para la distribución de potencias exponenciales, al realizarse estimaciones secuenciales
aumentando cada vez el tamaño muestral en 20 observaciones.
Esto coincide en cierta medida con lo señalado por autores corno Gray y French (1990): «We
originally carried our analysis to the end of 1987, but the "Black Monday" and its aftershocks
disastrously altered the parameter estimates for all four models. Future studies covering this
time period, including those examining stable law models, will undoubtedly experience the
effects of this unusual observation.»
Respecto a los problemas de la estimación de mixturas de normales pueden verse Cohen
(1967) y Quandt y Ramsey (1978).
 I^^ti1Al)ISllt^.•1 f^til'AV(1l :1

Los resultados obtenidos para los rendimientos diarios y mensuales reales

se adjuntan en las tablas ^ y 3, respectivamente. Para cada una de las distribu-
ciones se presentan los estimadores máximo-verosímiies de los parámetros, las
estimaciones de sus desviaciones típicas, obtenidas a partir de la distribución
asintáiica de los estimadores máxirno-verosímiles, y el logaritmo de la función
de verasimilitud evaluado en el vector de estimadores. Seguidarnente se seña-
lan algunas conclusiones que consideramos importantes.

Tabla 2

Rendimientos diarios
Período muestral: 4 de enero de 1986/28 de diciembre de 1990
Número de observaciones: 1.179

Modelo Normal Log(L)=3.489,55

µ: 0,00050 cs: 0,0125

(0,00037) (0,0001)

Modelo Logístico Log(L)=3.595,66

µ: 0,00053 a: 0,0062
(0,00033) (0,0001)

Modelo t Log(L)=3.638,45

v: 2,57 µ: 0,00045 a: 0,0154

(0,28) (0,00027) (0,0026)

Modelo Mixtura Log(L)=3.629,45

S: 0,329 µ^: 7,0E-4 a,: 2,0E-2 µ2: 4,0E-4 a2: 6,3E-3

(0,033) (1,1E-3) (6,7E-4) (3,0E-4) (3,0E-4)

Modelo Mixtura (Esperanza Cte.) Log(L)=3.629,41

S: 0,328 µ: 0,00043 a^: 0,0201 a2: 0,0063

(0,032) (0,00027) (0,00066) (0,00030)

Modelo Mixtura (Varianza Cte.) Log(L)=3.546,06

S: 0,0132 µ^: -0,0474 µ2: 0,00114 a: 0,0112

(0,0039) (0,0022} (0,00036) (0,00016)

Estimadores por máxima verosimilitud de los parámetros de distintas distribuciones para los
rendimientos diarios. Entre paréntesis figuran los errores estándar.
 UItiT^Rlf ^ l^(^I( ^ N !)f^ L^^^ R^^t^NUl^11l^ti^^f(^^ I)E^ ;^r ( Ititil ti

Tabla 3

Rendimientos mensuales reales

Período muestral: enero 1941/diciembre 1990
Número de observaciones: 600

Modelo Normal Log (L)=944, 577

µ: 0,00216 6: 0,0500
(0,00207) (0,0008)

Modelo Logístico Log(L)=972,612

µ: 0,00246 oc: 0,0265

(0,00190) (0,0008)

Modelo t Log(L)=976,350
v: 4, 60 µ: 0, 00251 a: 0, 0504
(0,88) (0,00180) (0,0028)

Modelo Potencias exponenciales Log(L)=972,599

(3: 0,655 µ: 0,00232 ^: 0,02593
(0,100) (0,00172) (0,00302)

Modelo Mixtura Log(L)=974,054

S: 0,165 µ,: -7,6E-5 a,: 0,0895 µ2: 0,0026 62: 0,0378

(0,053) (0,012) (0,0084) (0,0021) (0,0021)

Modelo Mixtura (Esperanza Cte.) Log(L)=974,030

8: 0,164 µ: 0,0023 a^: 0,0897 62: 0,0378

(0,052) (0,0018) (0,0078) (0,0021)

Estimadores por máxima verosimilitud de los parárnetros de distintas distribuciones para los
rendimientos mensuales reales. Entre paréntesis figuran los errores estándar.

Dado que la distribución norrnal es un caso particular de la distribución de

potencias exponenciales o de la mixtura de distribuciones normales, podemos
realizar un contraste de razón de verosimilitudes en el que la hipótesis nula será
que los rendimientos siguen una distribución normal y la hipótesis alternativa
será que los rendimientos siguen la distribución más general que se considere.
Lo mismo se puede plantear con las mixturas de distribuciones normales con
igual esperanza o varianza respecto a la mixtura de distribuciones normales sin
estas restricciones.

La tabla 4 presenta los resultados de estas contrastes, utilizando el estadís-

tico -21og[L(Ho)/L(H^)], siendo L(Ho)lL{H^) la razón de verosimilitudes. Este esta-
dístico sigue asintóticamente una distribución x2 , con un número de grados de
 I tif 11 ^ 1^f11 ^11 ` I'^^+i ^ t ^

Tabla 4

Rendimientos Contraste --21og(L (H^)lL (H,)) G.L. N.S.C.

Diarios H^^: Modelo Normal

H,: Modelo Mixtura 279,80 3 0,000

Diarios Ho: Modelo Mixtura (µ}

H,: Modelo Mixtura 0,08 0,777

Diarios H^: Modelo Mixtura (a}

H,: Modelo Mixtura 166,78 1 0,000

Mensuales Ho: Modelo Normal

H,: Modelo Pot. Exp. 56,24 1 0,000

Mensuaaes H^: Modelo Normal

H^: Modelo Mixtura 58,95 3 0,000

Mensuales Ha: Modelo Mixtura (µ)

H^: Modelo Mixtura 0,05 1 0,823

Contrastes de razán de verosimilitudes de distintos modelos anidados de distribución de Ios

rendimientos. En su caso, en los modelos de mixtura se indica entre paréntesis el parámetro
común.

libertad igual al de restricciones que supone la hipótesis nula frente a la alterna-

tiva. La hipótesis de distribucián normal se rechaza frente a cada una de las
distintas distribuciones alternativas consideradas. Por otra parte, para los rendi-
mientos diarios, se rechaza que en la rnixtura de normales ambas distribuciones
tengan igual varianza, pero no se puede rechazar que tengan la misma esperan-
za, al igual que ocurre con los rendimientos mensuales.

Respecto a las estimaciones de los parámetros se deben señalar ciertos

puntos. Así, las estimaciones de las esperanzas y de las varianzas son muy
similares, independientemente de la distribución subyacente. En todos los ca-
sos se acepta la hipótesis de que las esperanzas de las distintas distribuciones
son iguales a cero, para el nivel de significación convencional de 0,05, si bien
se debe señalar que los niveles de significación críticos son mucho mayores
para los rendimientos diarios que para los rendimientos mensuales.

Pasando ya a analizar algunos resultados concretos, y teniendo en cuenta la

distribución asintótica de los estimadores máximo-verosímiles, tenemos que la
estimación del número de grados de iibertad de la distribución t para los rendi-
mientos diarios es de 2,57, siendo el intervalo de confianza del 95% aproxima-
darnente ( 2, 3). Para los rendirnientos mensuales, la estimación es 4,96 y el
intervalo es, aproximadamente, (3, 7).
 l)Iti l f^1131!( It ^N Uf I I Eti Ft( ti(^Iti11( ti lt ^^ U( 1t l It M^,;f ^

Recordando que la distribución t converge a la normal al aumentar sus

grados de libertad, podemos, hasta cierto punto y sin gran rigor, asociar el
grado de normalidad de la distribución al número de grados de libertad estima-
do. AI proceder así, los valores obtenidos muestran un mayor alejamiento de la
normalidad en e! mercado de acciones español que, por ejemplo, en el mercado
de acciones estadounidense (véase Kon, 1984). Para los rendimientos diarios,
la estimación del número de grados de libertad sitúa a la distribución en las
proximidades de la zona en la que carece de varianza.

Para los modelos de mixturas de distribuciones, al aceptarse la hipótesis de

igual esperanza para las distribuciones componentes, los resultados se pueden
interpretar como que los rendimientos son «extraídos» con una cierta probabili-
dad de una distribución normal con determinada esperanza y elevada varianza
(alta volatilidad) o, con una probabilidad mayor, de una distribución normal con
la misma esperanza y varianza más reducida (baja volatilidad) (3).

Por último, quisiéramos señalar que la estimación del parámetro ^i de la

distribución de potencias exponenciales es 0,65. Este resultado está en sintonía
con el elevado grado de curtosis que presentan los rendimientos mensuales.

Ante la posibilidad de que ios resultados obtenidos fueran muy sensibles a

las observaciones correspondientes a octubre de 1987 y a los fuertes movimien-
tos posteriores, se volvieron a estimar los parámetros de todas las distribucio-
nes excluyendo las diez observaciones comprendidas entre el día 20 de octubre
de 1987 y el día 2 de noviembre de 1987, ambas inclusive, en el caso de los
rendimientos diarios, y utilizando el subperíodo enero de 1941-septiembre de
1987 para los rendimientos mensuales.

Las estimaciones así obtenidas no presentan cambios significativos con las

obtenidas en el período completo, salvo en lo que respecta a las mixturas sin
restricciones y a las de esperanza constante. Así, para los rendimientos diarios
las estimaciones de b pasan de 0,33 (0,03) a 0,46 (0,04), mientras que para los
rendimientos mensuales las estimaciones pasan de 0,16 (0,05) a 0,52 (0,14)
-entre paréntesis aparecen los errores estándar--. Las varianzas también
presentan diferencias significativas, reflejando de este modo que, a diferencia
de los restantes rnodelos, los de mixturas son rnuy sensibles a la exclusión de
algunas observaciones extremas. fVo obstante, las conclusiones apuntadas
anteriormente se mantienen y los resultados de los contrastes de hipótesis no
varían.

Los contrastes de razón de verosimilitudes nos han permitido rechazar la

distribución norma! frente a otros tipos de distribuciones. Desgraciadamente,
(3) Obsérvese que, desde esta perspectiva, no se aprecia un intercambio o trade off entre
media y varianza.
 I^wTr1t)I^^TI( .^ t^^ti1'^titit11 ^1

este tipo de contraste no nos permite comparar distribuciones que no estén

anidadas. Así, por ejemplo, ninguna de las distribuciones logística, t de Student
y de potencias exponenciales se puede obtener a partir de las restantes me-
diante la introducción de restricciones.

En estas circunstancias, si queremos comparar las citadas distribuciones,

tendremos que hacerlo a través del ajuste que suponen a los datos disponibles.
Un estadistico ampliamente utilizado para medir el grado de ajuste o adherencia
de una determinada distribución (de {a que se han podido estimar sus k
parámetros) a un conjunto de ob^ervaciones es el estadístico Adh de Pearson.
Para su obtención se ha dividido el recorrido de la variable aleatoria correspon-
diente en los n intervalos disjuntos indicados en las tablas 5 y 6, calculándose
posteriormente el estadístico
n (E^ ^/ }2
Adh= ^
^= ^ E,
donde E; es el número de observaciones que supone la distribución teórica en el
intervalo i-ésimo y O; es el número de observaciones efectivamente existentes

Tabla 5
Mixtura
Intervalo Obs. t Log. ( µ cte.}

(-^, -0,03) 20 19,9 8,5 25,1

(-0,030, -0,025) 10 9,9 10,4 14,7
(-0,025, -0,020) 15 17,8 22,6 20,5
(-0,020, -0,015) 44 34,6 47,6 31,0
(-0,015, -0,010) 68 72,0 93,3 64,3
(-0, 010, -0, 005 ) 130 150, 8 160,4 150, 3
(-0,005, 0) 289 258,1 221,6 259,0
(0, 0,005) 266 271,7 228,9 270,0
(0,005, 0,010) 150 170,1 175,4 170,5
(0,010, 0,015) 82 82,6 106,1 74,8
(0,015, 0,020) 43 39,3 55,3 34,2
(0,020, 0,025) 26 20,0 26,6 21,7
(0,025, 0,030) 17 11,0 12,3 15,6
(0,030, ^) 19 21,3 10,1 27,3

Adh: 18,00 79,15 24,90

N.S.C. (13-k g. de I.): 0,055 0,000 0,003
N.S.C. (13 g. de I.): 0,158 0,000 0,024

Adherencia de las distribuciones t de Student, logística y mixtura de distribuciones normales

con igual esperanza a los rendimientos diarios. Para cada intervalo se recoge el número de
rendimientos efectivarnente observadas y el número de observaciones que suponen las
distribuciones consideradas. En la parte inferior se tiene el valor del estadístico Adh. de
Pearson y los niveles de significación críticos para n-k-1 y n-1 grados de libertad.
 E^I^TFtIl^l^( I^^^I [ ^ f^ t^>^ Rl^^11)Iti11F^^ti7 ^^ ti Irk^ ^^^^^ I^^^+t^^

Tabla 6
Mixtura Potenc.
Intervalo Obs. t Log. ( µ cte.) expon.

(-^, -0,10) 13 13,9 12,2 14,2 27,8

(-0,10, -0,07) 21 21,7 24,2 20,4 27,9
(-0,07, -0,05) 38 33,1 36,2 34,6 33,0
(-0,05, -0,04) 32 26,3 27,8 28,0 23,3
(-0,04, -0,03) 22 34,9 35,6 36,5 29,4
(-0,03, -0,02) 35 44,2 43,8 44,9 37,1
(-0,02, -0,01) 75 52,6 50,8 51,9 46,8
(-0,01, 0) 50 58,3 55,4 56,1 59,1
(0, 0,01 } 57 59,5 56,3 57,0 65,0
(0,01, 0,02) 55 56,0 53,5 54,3 52,1
(0,02, 0,03) 51 48,6 47,5 48,4 41,3
(0,03, 0,04) 42 39,5 39,7 40,5 32,7
(0,04, 0,05) 31 30,5 31,6 31,9 25,9
(0,05, 0,07) 37 39,0 42,0 40,7 36,8
(0,07, 0,10) 26 25,8 28,7 24,6 31,2
(0,10, ^) 15 16,1 14,7 16,0 30,8

Adh: 20,00 21,54 20,67 50,03

N.S.C. (15-k g. de I.): 0,067 0,063 0,037 0,000
N.S.C. (15 g. de I.): 0,172 0,120 0,148 0,000

Adherencia de las distribuciones t de Student, logística, mixtura de distribuciones normales con

igual esperanza y de potencias exponenciales a los rendimientos mensuales reales. Para cada
intervalo se recoge el núrnero de rendimientos efectivamente observados y el número de
observaciones que supone la distribución considerada. En la parte inferior se tiene el valor del
estadístico Adh. de Pearson y los niveles de significación críticos para n-k-1 y n-1 grados de
líbertad.

en el intervalo i-ésimo. Bajo la hipótesis nula de que la distribución teórica es

correcta, el estadístico Adh sigue, asintóticamente, una distribución c2 con
n -k -1 grados de libertad (4).

Para cada uno de estos intervalos se ha contado el número de rendírnientos

observados que incluye, O; . EI problema ha surgido en la obtención de E^ . Sí
exceptuamos a la logística, cuya función de distribución viene dada por

x _. µ
^
e
F(x)= [19]
x-µ

(4) Sin embargo, es sabido que si la partición en intervalos se realiza después de haber
estimado los parámetros, el número apropiado de grados de libertad está comprendido entre
n -k -1 y n -1.
 1 `;I ^^I>I`+1It ^1 I tiI'1^it}I 1

no existen expresiones explícitas (sin recurrir a una integral) para estas funcio-
nes de distribución. Por otra parte, tampoco disponemos de tabulaciones lo
suficientemente precisas (sobre todo en las colas) de estas distribuciones. Esto
también puede hacerse extensivo a la mezcla de distribuciones normales, ya
que, para las colas, se requiere una mayor precisión que la que ofrecen la
rnayoría de las tabulaciones de la distribucián normal. Por este motivo nos
hemos visto abligados a calcular los valores de las integrales definidas de las
funciones

v+ 1
2 +
(X_u)2 -cv+^^
2
V ( y_2 )62
r ^ n v 2)cs^

z
_ 2 (^X^N^)'`^i
e
[21 ]

2 32^ ^^ \ 3±R
2 /

S ^X._µ^^z 1-S _ (X__µ^^l

e 2^; + e 2^2 [22l

a
2n ^z

en los distintos intervalos mediante un procedimiento de Newton-Cotes cerrado

con 2.OOO sumandos (véase Burden, Faires y Reynolds, 1981), y tomando como
valores de los parárnetros sus estimaciones por máxima verosimilitud.

En las tablas 5 y 6 se recogen los resultados obtenidos, así como los niveles
de significación críticos para n-k-1 y n-1 grados de libertad. A la vista de los
resultados cabe rechazar claramente la distribución logística, que presenta un
resultado mucho peor que la distribución t o que la mixtura de distribuciones
normales. La distribución que presenta un mejor ajuste es la t de Student,
siendo éste especialmente bueno en las colas. De acuerdo con lo visto anterior-
mente, este resultado concuerda con diversos trabajos realizados para otras
bolsas.
 I)Itil Kllili( 1^1^1 I^t^ L^ ^ ti kl^^+l)IM111t^ti t( ^ ^, (^t^ ^1^ ( I^>tif ^

5. C4NCLUSIONES

De forma igual o similar a otros rnercados, los estadísticos obtenidos nos

conducen a rechazar la hipótesis de distribución normal de los rendimientos
mensuales y, contundentemente, de los diarios del mercado de acciones espa-
ñol. La trascendencia de este hecho es manifiesta, en la medida en que una
buena parte de la economía financiera teórica descansa sobre el supuesto de
normalidad.

La distribución t de Student y, en menor medida, las mixturas de distribucio-

nes normales con igual esperanza son modelos apropiados para representar la
distribución estadística de los rendimientos diarios y/o mensuales. AI margen
del resultado puramente estadístico, estas distribuciones admiten sendas inter-
pretaciones teóricas e intuitivas en términos de procesos estocásticos subordi-
nados o como mixturas. Por el con#rario, para nuestro mercado de acciones se
rechazan otras distribuciones propuestas en la literatura.

REFERENCIAS

BACHELIER, L. (1900): «Theorie de la Speculation». Annales de 1'Ecole Normal

Superieure (1900), pp. 21-86.

BEHBOODIAN, J. (1970): «Qn the Modes of a Mixture of #wo Normal Distributions».

Technometrics, 12 , p p. 131-139.

BERGÉS, A. (1984): «EI mercado español de capitales en un contexto internacio-

nal». Secretaría de Estado de Comercio, Ministerio de Economía y Hacien-
da, Madrid.

BERNDT, E. R.; HALL, B. H.; HALL, R. E., y HAUSMAN, J. A. (1974): «Estirnation and
Inference in Nonlinear Structural Models». Annals of Economic and Socia!
Measurement, 3, pp. 653-665.

BLACK, F., y ScHOLES, M. (1973): «The Pricing of Options and Corporate Liabilities».
Journal of Political Economy, 81, pp. 637-659.

BLATTBERG, R. C., y GONEDES, N. J. (1974): «A Comparison of the Stable and

Student Distribution as Statistical Models for Stock Prices». Journal of
Business, 47, pp. 247-280.

BOLSA DE MADRID (1977): «Indice largo total de acciones 1941-1975». Madrid.

 I ti( 1f)ftiI ll ^1 f^,('1V^)I 1

BoLsA DE MADR^D (1988): «Indices de cotización de acciones de la Bolsa de

Madrid 1941-1987». Madrid.
Box, G. E. P., y T^AO, G. C. (1973}: «Bayesian Inference in Statistical Analysis».
Addison-Wesley. Reading, Massachusetts.

BURDEN, R. L.; FAIRES, J. D., y REYNOLDS, A. C. (1981): «Numerical Analysis».

Prindle, Weber & Schmidt, Baston.

CLARK, P. K. (1973): «A Subordinated Stochastic Process Model with Finite

Variance for Speculative Prices». Econometrica, 41, pp. 135-155.

COHEN, C. (1967): «Estimation in Mixtures of Two Normal Distributions».

Technometrics, 9, pp. 15-28.
EISENBERGER, I. (1964): «Genesis of Bimodal Distributions». Technometrics, 6,
pp. 357-363.

FAMA, E. F. (1963): «Mandelbrot and the Stable Paretian Hipothesis». Journal of

Business, 36, pp. 420-429.
FAMA, E. F. (1965): «The Behaviour of Stock Market Prices». Journal of Business,
38, pp. 34-105.

FAMA, E. F., y Ro^L, R. (1971): «Parameter Estimates for Symmetric Stable

Distributions». Journaf of the American Statistical Association, 66, pp. 331-
338.
FELLER, W. (1978}: «Introducción a la teoría de probabilidades y sus aplicacio-
nes». 2.a edición, Lirnusa, México.

GRAY, J. B., y FRENCH, D. W. (1990): «Empirical Comparisons of Distributional

Models for Stock Index Returns». Journal of Business Finance & Accounting,
17, 451-459.

JARQUE, C. M., y BERA, A. K. (1980): «Efficient Tests of Normality, Homoscedasticity

and Serial Independence of Regression Residuals». Economic Letters, 6,
pp. 255-259.
KoN, S. J. (1984): «Models of Stock Returns A comparison». Journa/ of Finance,
39, pp. 147-165.

L^vY, P. (1925): «Calcul des probabilities». Gauthier-Villars, París.

MANDELBROT, B. (1963}: «The Variation of Certain Speculative Prices». Journal of

Business, 36, pp. 394-419.

MANDELBROT, B. (1973}: «Cornments on: "A Subordinated Stochastic Process

with Finite Variance for Speculative Prices" by Peter C. Clark». Econometrica,
41, pp. 157-159.
 i)IS^i^^RIf3UC^^l ^ N I>f- l ^ ^ ^, kf^til>Iti1if^ti(+ ^ ^ I^I •^t t I ^^ tit ti

MARKOw^TZ, H. M. (1987): «Mean-Variance Analysis in Portfolio Chaice and

Capital Markets». Basil-Blackwell, Oxford.

MossiN, J. (1966): «Equilibrium in a Capital Asset Market». Econometrica, 34,

PP• 768-783.

LINTNER, J. (1965): «The Valuation of Risk Assets and the Selection of Risky
Investments in Stock Portfolios and Capita! Budgets». Review of Economics
and Statistics, 47, pp. 13-37.

PEÑA, J. I. (1989): «Análisis Estadístico de los Tipos de Cambio Diarios de la

Peseta». Cuadernos de Opinión 3. Centro Internacional Carlos V, Universi-
dad Autónoma de Madrid.

PRAETZ, P. D. (1972): «The Distribution of Share Price Changes». Journal of

Business, 45, pp. 49-55.

QUANDT, R. E., y RAMSEY, J. B. (1978): «Estimating Mixtures of Normal Distributions

and Switching Regressions». Journal of the American Statistical Association,
73, pp. 730-738.

SHARPE, W. F. (1964}: «Capital Asset Prices: A Theory of Market Equilibriurn

under Conditions of Risk» . Journal of Finance, 19, pp. 425-442.

SMITH, J. B. (1981): «The Probability Distributíon of Market Returns: A Logistic

Hypothesiss». Ph. D. dissertation. University of Utah.

STOCK RETURNS DISTRIBUTION

SUMMARY

In this paper the spanish stock returns distribution is examined.

After considering several distributions proposed in the literature,
their parameters are estimated and their adequacy to the daily and
monthly returns of our stock market is analysed.

Key words: Stocks, distribution, maximum-likelihood, returns.

AMS Classification: 60E99, 90A19.