Professional Documents
Culture Documents
(i) Centro de Estudios Avanzados, Universidad de Buenos Aires, Uriburu 950, (1114)
Buenos Aires, Argentina.
(ii) CEPAL (Comisión Económica para América Latina, Naciones Unidad), Instituto
Torcuato Di Tella y Facultad de Ciencias Económicas, Universidad de Buenos Aires,
Paraguay 1178, (1057) Buenos Aires, Argentina.
Abstract
Se analizan algunas propiedades estadísticas de los mercados cambiarios. Se muestra
que la evolución los precios de varias monedas contra el dólar norteamericano puede
ser descripta por un proceso estocástico denominado como vuelo de Lévy. Basándonos
en este tipo de paseo al azar se puede concluir que los rendimientos no se distribuyen
estadísticamente en forma normal y, dan lugar a distribuciones cuya varianza es
teóricamente infinita. Se enumeran las propiedades más importantes que poseen las
distribuciones Lévy–estable, mostrando, fundamentalmente, que ellas son autosimilares
en la escala temporal. Esto significa que la distribución de los rendimientos es invariante
frente a cambios en la magnitud de esa escala temporal. Luego se comparan los
resultados obtenidos con el análisis de la serie temporal de la cotización diaria del peso
argentino contra el dólar norteamericano en el período 1970 – 1991. Se observa una
ruptura de la invariancia de escala debido al persistente proceso de alta inflación que
tuvo lugar.
In the present manuscript we study some statistical properties of exchange rate markets.
We show that the evolution of prices can be described by a stochastic process known as
Lévy flight. Returns do not follow a normal distribution, but rather one which, in theory,
has an infinite variance (“fat tail”). Among the main feature of the Lévy-Stable
distributions is that they are self-similar in the temporal scale. This means that the
distribution of returns is invariant under change in the time scale. We then analize the
distribution of the rate of growth of the exchange rate between the argentine peso
against the american dolar. We observe that the scale invariance is not present in this
case. This broken symmetry is due to the persistent process of high inflation.
(i) Centro de Estudios Avanzados, Universidad de Buenos Aires, Uriburu 950, (1114)
Buenos Aires, Argentina.
(ii) CEPAL (Comisión Económica para América Latina, Naciones Unidad), Instituto
Torcuato Di Tella y Facultad de Ciencias Económicas, Universidad de Buenos Aires,
Paraguay 1178, (1057) Buenos Aires, Argentina.
1. Introducción:
Para que el movimiento de los precios de un activo financiero siga un paseo al azar, las
transacciones realizadas deberían ser consistentes con lo que se denomina un “fair game”, en
el cual la ganancia esperada de un especulador debería ser idénticamente nula. Un proceso
válido para recrear la situación que tiene lugar en un “fair game”, basándonos en el principio
fundamental de Bachelier, es una “martingala”. Una “martingala” queda definida como el
proceso estadístico que gobierna al precio pt según el cual: E ( pt + 1 / I t ) = pt , donde
E ( pt + 1 / I t ) es el valor esperado del precio en t + 1 dada la información disponible en t .
Entonces, la “mejor” predicción del precio de mañana, es simplemente el precio de hoy, donde
el término “mejor” se refiere a aquella predicción que minimiza el error cuadrático medio de la
predicción. Una importante consecuencia de esto, es que los cambios en precios de los activos
no están correlacionados, lo cual implica que no es posible realizar predicciones sobre la base
de algún predictor de los precios futuros basado en la secuencia de los pasados. Si el
rendimiento, definido como rt + 1 = pt + 1 − pt = pt + 1 − E ( pt + 1 / I t ) es un “fair game”, entonces
debe cumplirse que E ( rt + 1 / I t ) = 0 (en general se trabaja con el logaritmo del precio para que
el cálculo de los rendimientos se hagan en términos relativos). Esto significa que si un grupo de
compradores (o vendedores) piensa que el precio es bajo (o alto) sus compras lo harán subir
(o bajar). La expectativa del precio de mañana dado el de hoy es el precio de hoy. En este
mundo, el único cambio de precio posible es resultado del arribo de nueva información, sin
embargo, como no hay razones para esperar que la información llegue de manera no aleatoria,
el cambio de precios período a período será aleatorio y estadísticamente independiente, de
manera consistente con la llegada - aleatoria - de información. En estas circunstancias es
dable suponer que los rendimientos de un período son variables aleatorias independientes. Si
se considera que no han tenido lugar, durante el período de análisis, cambios de régimen que
modifiquen sustancialmente la estructura del mercado, se puede considerar adicionalmente
que estas variables aleatorias están idénticamente distribuidas. Se tiene entonces:
E ( rt + 1 / I t ) = E ( rt + 1 ) . Los modelos basados en la hipótesis de paseo al azar suponen
adicionalmente, por razones operativas, que toda la distribución es independiente de la
información disponible I t y que ésta es además estacionaria. Entonces f ( rt + 1 / I t ) = f ( rt + 1 )
con la misma función de distribución para todo t; lo cual no nos indica que la información
pasada no tiene valor. Como la distribución de los rendimientos se presupone estacionaria, los
rendimientos pasados son la mejor fuente de información para conocerla, sin embargo, éstos
no producen ninguna consecuencia sobre la futura evolución de los mismos.
3.1 Introducción:
Η
Pn ( x ) Ζ
ϑ
òP nϑm ( x ϑ x ' )Pm ( x ' )dx ' 0mn
Η
òe
ik x
Pn ( k ) Ζ Pn ϑm ( k ) Pm ( k ) con P(k ) Ζ P ( x )dx
ϑ
donde k es la variable conjugada asociada. Lévy encuentra que la solución general de esta
iii
ecuación tiene la forma ( ):
β
Pn ( k ) = e − n k
Las distribuciones con este tipo funciones características se denominan distribuciones Lévy
Estables y corresponde a un proceso estocástico llamado como vuelo de Lévy.
Η
ϒ
òe
ϑn k
Pn ( x ) Ζ 1
2↓ e ϑikx dk
ϑ
q ⌡ q p( k ) q
Ψ x [Ζ ( ϑ1) q Ζ 0,1,2,...
⌡k q k Ζ0
Entonces, como Pn ( k ) Ζ p n ( k ) y p( k Ζ 0) Ζ 1 Ψ x q ( n ) [Ζ n Ψ x q [
Con esto es posible calcular todos los momentos de la distribución conociendo la función
característica de la misma.
3) Se demuestra que: |p(k)| p(k = 0) = 1, efectivamente, usando la desigualdad
triangular:
Η Η Η
p( k ) Ζ ò e ikx p ( x )dx ò e ikx p ( x )dx Ζ ò p( x )dx Ζ 1 p(k Ζ 0)
ϑ ϑ ϑ
Tengamos en cuenta que estudiar p( k ) para valores cercanos al origen es análogo a estudiar
la función de distribución para valores de x → ∞ .
1
Η
ϒ
1
Η
ϒ
1
Η ϑnLϒ v ϒ
ò0 exp x ϒ cos(v )dv
ϑ nLϒ k
òe òe
ϑ n Lk ϑikx
Pn ( x ) Ζ e dk Ζ cos(kx )dk
2↓ ↓ ↓x
ϑ 0
ϒ
1
Η ϒ ϒ Η
1 ϑ nL v cos( v ) dv ϑ nL ϒ
↓ x ò x
ϒ
↓ x
ϒ Η1 ò v cos( v ) dv Ζ
0 0
Η
nLϒ ϒ ↓ϒ nLϒ
ò e v cos(v )dv Ζ δ(1 Η ϒ ) sen(
ϑ⁄v
Ζϑ lim
ϒ Η 1 ⁄ 0
)
↓x 0
2 ↓ x ϒ Η1
ϑ•
ψ Pn ( x ) x si x ( k 0)
δ( z ) Ζò u z ϑ1e ϑ u du, z [0
0
1 1 1 x
Pn ( k ) = e− n k y p( k ) = e− k , obteniéndose: Pn ( x ) Ζ Ζ p( )
↓ n 1 ΗΕ n Φ
x 2
n n
La serie de datos está formada por el tipo de cambio diario al cierre y corresponde al
período comprendido entre el 1ro. de junio de 1973 y el 21 de mayo de 1987, conformando una
total de 3511 datos. Se utiliza como variable descriptiva al retorno calculado para distintos
intervalos de tiempo ∆ t , es decir:
p( t ) − P( t − ∆ t )
r(t ) =
P( t − ∆ t )
òe òe
ϑn α t k ϑ n αt k
Pn ( r,αt ) Ζ e ϑikr dk Ζ cos(kr )dk
2↓ ϑ
↓ 0
1 ϑ n αt k ϒ δ( 1 ϒ )
Pn (0,αt ) Ζ ò e dk Ζ 1
↓ 0 ↓ ϒ ( n αt ) ϒ
Figura No. 2: Probabilidad de retorno al origen P(r = 0) como función de ∆ t .
Esta ley de potencias nos permite calcular el exponente crítico de la distribución estable
que mejor se adecua al proceso que generan los datos del mercado. Otra forma de calcular
este exponente es usando la propiedad 5) pero el conjunto de datos es insuficiente para
estudiar el comportamiento de la distribución lejos del origen.
Una vez conocido el exponente característico ( β ) podemos corroborar que las distintas
distribuciones son similares salvo un factor de escala, lo que significa, como ya de dijo, que el
v
proceso estocástico es invariante frente a transformaciones de escala temporal ( ). Para
verificar esta propiedad, es posible re - escalar todas las distribuciones para diferentes ∆ t ,
realizando la siguiente transformación sobre las variables:
r Pn ( r,αt )
rs Ζ 1 y Pn ,s ( rs ,αt ) Ζ ϑ 1ϒ
( αt ) ϒ
( αt )
Se observa en la Figura No. 3 que, salvo eventos de gran amplitud que por ser menos
frecuentes son estadísticamente escasos, las distribuciones escaladas quedan superpuestas
en una única distribución. Esto valida la tesis que supone que los mercados de divisas en
particular y los financieros en general son auto-similares en la escala temporal. Esta propiedad
nos brinda la evidencia de que en estos mercados no se pueden definir escalas de tiempo
privilegiadas en el sistema. Una posible explicación por la que esto ocurre puede deberse a la
heterogeneidad con que se forman las expectativas y determinan las decisiones que
repercuten sobre la evolución del precio. Un “ensamble” de transactores que operan con
restricciones y horizontes temporales diferentes producen una dinámica de mercado libre de
escala. Tal vez la “microestructura” que sustenta la existencia del mercado da lugar a una
suerte de amalgamamiento de los tiempos de relajación que se suceden frente al impacto que
produce el arribo de nueva información.
Figura No. 3: Distribuciones escaldas de los rendimientos de la Libra vs. Dólar.
Para mostrar la robustez de los resultados se realizaron similares cálculos con otros
mercados cambiarios, y también algunos bursátiles. En la Tabla No. 1 se muestran los
exponentes críticos que hemos obtenido junto con algunos otros que se han publicado.
Tabla No. 1
5. Ruptura de la Invariancia de escala: El Mercado Cambiario Argentino:
En esta sección mostraremos que cuando un mercado cambiario está sesgado por un
proceso inflacionario persistente, como ocurrió en nuestro país durante las décadas del setenta
al noventa, se produce el ruptura de la invariancia de escala temporal, que, como hemos visto,
caracteriza a un mercado con la característica de que evoluciona “establemente” y sobre el que
no ha operado un persistente proceso de alta inflación.
Se utilizó la serie temporal del tipo de cambio argentino (Peso - Dólar), desde el 2 de
agosto de 1971 al 30 de noviembre de 1992 (en la Tabla No. 2, se muestran las fechas
correspondientes). Se homogeneizó la serie usando alternativamente el tipo de cambio
paralelo, libre o financiero, según el período, como se muestra en la Tabla No. 2. Por otro lado
se eliminaron los datos correspondientes a los períodos de tipo de cambio fijo. Con esta poda,
la serie posee 3690 datos.
Paralelo 2/8/71-30/12/75;4/1/82-9/10/87;(19/5/89-14/12/89)
Libre (7/1/76-17/6/81);15/10/87-18/5/89;15/12/89-30/3/91
Financiero 18/6/81-23/12/81
Tabla No. 2
Figura No. 4: Histograma de los rendimientos relativos del Dólar-Peso para distintos ∆ t .
Figura No. 5: Probabilidad de retorno al origen P(r = 0) como función de ∆ t , para Dólar-Peso.
Figura No. 7: Distribuciones escaldas de los rendimientos del Dólar-Peso para valores de ∆ t grandes.
6. Conclusiones:
Las pujas entre monedas de países de baja inflación parecen tener distribuciones
autosimilares en el sentido de que no existe un tiempo característico o privilegiado sobre el
cual el sistema desarrolla su dinámica. Esta propiedad podría relacionarse con los mecanismos
y la forma en que la información derrama sobre el sistema de transacciones modificando las
decisiones de los agentes económicos en forma heterogénea. Existe una interrelación estrecha
entre la variabilidad del entorno de un sistema, y la flexibilidad con que se modifican las
decisiones como producto de los procesos de aprendizaje que desarrollan los agentes. En
Haugen et al (1991), a partir del análisis empírico, se sugiere que buena parte de los
movimientos de precios en los mercados financieros no parecen asociarse con la observación
de información relevante sino con la existencia de creencias muchas veces inconsistentes con
los datos “fundamentales” de la economía y con la aparición progresiva de conductas de
imitación. Este punto de vista, basado en una metáfora “ecológica”, es consistente con la
existencia de agentes heterogéneos que conocen adecuadamente sus nichos pero no pueden
capturar el comportamiento del mercado en su totalidad. Cuanto mayor sea la extensión de un
mercado, mejores serán las condiciones sobre las cuales se desarrolla y amplía esa diversidad
de estrategias que, en términos termodinámicos, a su vez, “termalizan” la evolución de sus
precios, atenuando la posibildad de que se produzcan grandes fluctuaciones. Esta diversidad
se manifiesta en las múltiples escalas temporales con que operan los transactores de un
mercado y en los diversos mecanismos de formación de expectativas.
7. Referencias Bibliográficas:
Black, F. y Scholes, M. (1973), “The Pricing of Options and Corporate Liabilities”, Journal of
Political Economy, 81, 637-653.
Bak, P., Tang, C. y Wiesenfeld, K., (1988) “Self-Organized Criticality”, Physical Review A, Vol.
38, pp. 364-374.
Bak, P., Chen, K., Scheinkman, J.A. y Woodford, M. (1993), “Aggregate fluctuations from
independent sectoral shock: self-organized criticality in a model of production and inventory
dynamics”, Ricerche Economiche, 47, 3-30.
Evertsz C.J.G. y Berkner, K., (1995), “Large Deviation and Self-similarity analysis of graphs:
DAX Stock Prices”, Chaos, Solitons & Fractals, Vol. 6, 121-130.
Fama, E.F. (1970), “Efficient Capital Markets: A Review of theory and Empirical Work”, Journal
of Finance, vol. 25, No. 2, 383-423.
Grossman, S y Stiglitz, J. (1980), “On the impossibility of Informationally Efficient Markets”,
American Economic Review, 70, 393-408.
Haugen, L., Talmor, E. y Torous, W. (1991), “The Effect of Volatility Changes on the Level of
Stock Prices and Subsequent Expected Return”, Journal of Finance, vol. 463, 985-1007.
Kadanoff, L. P. (1993), “From Order to Chaos, Essays: Critical, Chaotic, and Otherwise”, World
Scientific.
Klafter, J., Shlesinger, M. y Zumofen, G. (1996), “Beyond Brownian Motion”, Physics Today,
Febrero 1996, 33-39.
Lintner , J. (1965), “The Valuation of Risk Assets and the Selection of Risky Investments in
Stock Portfolios and Capital Budgets”, Review of Economics and Statistics, 47, 13-37.
Lo, A.W. (1997), “Fat Tails, Long Memory, and the Stock Market since the 1960’s”, Economic
Notes by Banca Monte dei Paschi di Siena, Vol. 26, No. 2, 213-246.
Mantegna, R.N. y Staley, H.E., (1995), “Scaling Behaviour in the Dynamics of an Economic
Index”, Nature, Vol. 376, No. 6, 46-49.
Müller, U.A., Dacorogna, M.M.m Olsen, R.B., Pictet, O.V., Schwarz, M. y Morgenegg, C.
(1990), “Statistical Study of Foreign Exchange Rates, Empirical Evidence of a Price Scaling
Law, and Intraday Analysis”, Journal of Banking and Finance, Vol. 14, 1189-1208.
(i) La teoría de los sistemas dinámicos sugiere que las fluctuaciones observadas en la economía se deben a procesos
que encubren dinámicas caóticas y que pueden ser estudiadas con modelos de baja dimensionalidad (pocos grados de
libertad). Sin embargo, aún no existe un teorema general por que cual un sistema complejo de muchos grados de
libertad pueda reducirse a uno de unos pocos. Si bien, los modelos no lineales pueden producir espectros de
frecuencia que corresponden a señales no periódicas, no son capaces de reproducir los espectros altamente
correlacionados como los observados en los sistemas reales (Bak et al 1990).
(ii) En su forma más estricta, la hipótesis de paseo al azar supone que los rendimientos se distribuyen de manera
independiente y están identemente distribuidos. Una versión menos restrictiva permite que la historia del proceso
pueda influenciar sobre las estrategias de inversión, pero descarta que sea posible utilizar eficientemente técnicas o
reglas de predicción determinísticas (lineales o no lineales). Finalmente, la versión menos restritiva supone que no es
posible utilizar técnicas de predicción lineales, como el análisis de regresión.
(iii) La expresión más general de la función característica de una distribución Lévy – Estable es:
ϒ
i←k ϑn k (1Ηi∼ sgn(k )∂ (|k |,ϒ ))
Pn ( k ) Ζ e
donde i Ζ ϑ 1 , y ∂ (| k |, ϒ ) Ζ tan (↓ϒ ) si ϒ 1 , y ∂ (| k |, ϒ ) Ζ ↓ ln(| k |) ,si ϒ Ζ 1 . Se debe cumplir ϒ Î (0,2] y
2 2
∼ [ϑ1,1] . El parámetro ϒ es el exponente característico de la distribución que se asocia a la forma de su cola;
cuando más pequeño sea su valor, más aguzada será la distribución. Los momentos de orden mayor que ϒ no
existen. El parámetro ∼ mide el grado de asimetría de la distribución, de manera tal que si es negativo la
distribución se tuerce hacia la derecha, si es positivo, hacia la izquierda y si vale cero la distribución es simétrica
respecto del valor de la media ← .
(iv) El espectro de Potencia de Fourier de estas series también sigue una ley de potencias ( S ( f ) ∝ 1
fη
) η = 2 +1 y
β
la dimensión fractal (de Hausdorff) de una serie temporal con estas características es: D f = 2 − 1 .
β
(v) Una señal de ruido x(t) admite una invariancia de escala si x por sí misma o su integral o su derivada es auto-afín.
Esto significa que x(t) es estadísticamente idéntica a una transformación por contracción temporal seguida de un
cambio de intensidad. Entonces debe existir un exponente ∼ tal que para todo h > 0, x(t) es estadísticamente idéntica
a h-∼ x(ht). En general, si t es una variable discreta, x(t) es asintóticamente escalable si existe una función L(h) tal
que h -∼ L-1(h)x(ht) tiende a un límite cuando h .
(vi) En termodinámica Estadística, cuando un sistema se encuentra en un punto crítico posee fluctuaciones que tienen
lugar en todas las escalas de magnitud, ya que la longitud de correlación se hace infinita y por lo tanto todas las
escalas contribuyen a determinar el valor de las funciones termodinámicas. Como resultados de ello, se espera que
los fenómenos críticos muestren una invariancia frente a cambios de la longitud de escala (Kadanoff, 1993).