FACULTAD DE CIENCIAS ECONMICAS Y EMPRESARIALES PROGRAMA ACADMICO DE ECONOMA

Existencia y causas de los efectos estacionales en los mercados de renta variable, renta fija y de dinero en el Per: Un enfoque de modelos asimtricos

Tesis que presenta los Bachilleres en Ciencias con mencin en Economa, Fredery Antoni Carrasco Rojas y Diego Enrique Villafana Thomson para optar el ttulo de Licenciado en Economa Lima, Julio de 2013

Agradecimientos
A nuestros padres y familiares, ya que esta investigacin es fruto de la formacin que ellos depositaron en nosotros. A nuestros asesores y profesores que dedicaron parte de su tiempo en el desarrollo de la presente investigacin, sobre todo a Phd(c) Rodrigo Escudero, Juan Manuel Meneses, Phd Alejandro Aguilera, Jhon Lpez, Phd Miguel ngel Carpio y Jorge Farfn.

Resumen
Se examina la existencia de efectos anmalos estacionales en las acciones que listan en la Bolsa de Valores de Lima para el mercado de renta variable, los bonos del estado para el mercado de renta fija peruano y la tasa interbancaria para el mercado de dinero. Los resultados arrojan que, en promedio, la rentabilidad de los das lunes y martes es mucho menor que la de los das viernes. Con ello, tiene lugar la existencia de rendimientos anormales que provocan ineficiencia en mediano plazo. La evaluacin se plante en saber por qu ocurre esto y sus implicancias; para ello, se utiliz el modelo economtrico de series financieras GARCH y los modelos asimtricos TARCH y EGARCH, los cuales corren simultneamente los retornos y la varianza condicional de las series. Como resultado, se tiene que los mercado de renta variable y mercado de dinero son eficientes y el principal factor de esta ineficiencia es por el tipo de liquidacin que muestra el mercado peruano (T+3) en donde se reciben das extras de crdito por los das sbados y domingo, tanto para el mercado de renta variable como para el mercado de dinero. Palabras claves: Efecto da de la semana, GARCH, TARCH, EGARCH, volatilidad condicional, efecto calendario, ndices burstiles.

INDICE
Capitulo I. INTRODUCCIN................................................................................................................... 6

Capitulo II. REVISIN DE LA LITERATURA ............................................................................................. 8 1. 2. 3. 4. 5. Mercados Globales ............................................................................................................. 9 Mercados Emergentes...................................................................................................... 10 Latinoamrica.................................................................................................................... 11 Mercado Peruano ............................................................................................................. 12 Modelos simtricos y asimtricos ................................................................................... 12

Capitulo III. HISTORIA DE LOS MODELOS ARCH .................................................................................. 12 Capitulo IV. METODOLOGA ................................................................................................................. 13 Capitulo V. MERCADO DE RENTA VARIABLE....................................................................................... 17 1. 2. 3. DATOS ................................................................................................................................ 17 RESULTADOS DEL MODELO.............................................................................................. 19 EFECTO DE RENDIMIENTOS ESTACIONALES MENSUALES.............................................. 21

Capitulo VI. MERCADO DE RENTA FIJA ................................................................................................ 24 1. 2. DATOS ................................................................................................................................ 24 RESULTADOS DEL MODELO.............................................................................................. 25

Capitulo VII. MERCADO DE DINERO ...................................................................................................... 26 1. 2. DATOS ................................................................................................................................ 26 RESULTADOS DEL MODELO.............................................................................................. 28 ENCUESTA A CASAS DE BOLSAS, BANCOS Y AFPS ................................................... 29

Capitulo VIII.

CONCLUSIONES Y RECOMENDACIONES ............................................................................................... 31 REFERENCIAS BIBLIOGRFICAS ............................................................................................................. 33 ANEXO37

Capitulo I.

INTRODUCCIN

El efecto da de la semana en el mercado burstil consiste en las diferencias- tanto hacia arriba como hacia abajo- de los rendimientos promedios y la volatilidad de los ndices que se toman y que, bajo el supuesto de mercado eficiente, el rendimiento de todos los das de la semana debera ser similar. Los inversionistas siempre estn en la bsqueda de obtener rentabilidades superiores al promedio. Por tanto, demostrar que existe un efecto da de la semana significara que es posible llevar a cabo estrategias que permitan sacar ventajas del mercado; sin embargo, esto contrapone a la hiptesis de mercado eficiente (HME) (Fama1965), la cual establece que no se pueden obtener rentabilidades excesivas, ya que las expectativas del especulador son cero dado que la informacin que se tiene se ajusta de manera muy rpida al mercado. Los inversionistas de bolsa o especuladores siempre buscan encontrar una anomala en el mercado, ya que, dependiendo del grado de aversin que tenga cada uno, se le premia por encima o por debajo del mercado, permitindoles un mejor manejo de la inversin, Otro aspecto de este estudio es el comportamiento irracional de los especuladores. Esta rama se llama finanzas del comportamiento (Behavioral Finance), en el que sucesos exgenos al comportamiento de las acciones y las finanzas producen efectos en ellas mismas; por ejemplo, en el mercado burstil de Turqua se encontr que existe un efecto negativo y significativo con respecto al rendimiento de las acciones, en vista de la correlacin que tienen los das nublados con el estado de nimo de las personas (Tufan y Hamarat 2004). La teora de mercado eficiente respecto al efecto da de la semana se inici con Jules Regnault (1863) y Louis Bachelier (1900), quienes, en consistencia con la HME, reconocen que esta sigue una caminata aleatoria1.Adems, se sugiere que en el corto plazo se mantiene el enfoque de HME debido a que los individuos asimilan rpidamente la informacin, ya que esperan que el precio de
1

La caminata aleatoria en el mercado burstil sugiere que el movimiento del precio de las acciones de un da no est relacionado con el da previo.

un activo valorizado se ajuste a la oferta y demanda. De esta manera, se elimina cualquier sobre o sub valoracin (Fama 1997). Sin embargo, la HME ha sido criticada especialmente durante la crisis financiera hipotecaria del 2007-2010, poca en la que los individuos y especuladores mostraron expectativas mayores hacia un activo, realizndose sobrevaloraciones. Otro argumento en contra, menciona que los mercados burstiles siguen una caminata aleatoria sesgada, es decir, las personas no reaccionan inmediatamente a la informacin que se encuentra en el entorno financiero sino que hacen un rezago y esperan que esta se confirme para establecer una tendencia (Mandelton 2004). Dado lo anterior, encontrar un efecto da de la semana apoyara la corriente de estudios que cuestiona la eficiencia de los mercados burstiles, lo que constituye un tema que ha sido ampliamente tocado y evaluado en mercados de diferentes pases, donde se ha hallado diferentes resultados. Por ejemplo, en el mercado de renta variable de Japn y Australia se encuentran rentabilidades bajas los martes y altas los viernes (Westerfield 1985); entre tanto, en pases emergentes como Singapur, Malasia, Hong Kong e Indonesia se encuentra un efecto negativo los das lunes (Wong 1992); y en el mercado de renta variable y de dinero de Turqua, se encuentra que los das mircoles y viernes muestran rendimientos altos y significativos, mientras que el lunes muestra un rendimiento bajo (Bildik 2001). Con respecto al mercado peruano, los estudios del efecto da de la semana han sido poco desarrollados debido a su tamao y sofisticacin. Por ello, encontramos una oportunidad de investigacin con la finalidad de observar y cuantificar su efecto adems de poder determinar las posibles causas de dicho efecto. Aunque en su mayora los estudios del efecto da de la semana se realizan en el mercado de renta variable, el HME abarca en su totalidad todos los agentes que involucran el mercado burstil (renta variable, renta fija, y mercado de dinero), que deciden su estrategia de inversin maximizando entre riesgo y retorno (Chuvakhin, 2002). Por ende, se ha planteado hacer un estudio que englobe la totalidad los tres mercados. En consecuencia, el principal objetivo de esta investigacin es demostrar que existe un efecto da de la semana en el mercado burstil peruano (renta variable, renta fija y mercado de dinero), lo cual

apoya la idea de que el mercado peruano se estara comportando de manera ineficiente, permitiendo a los inversionistas obtener rendimientos excesivos si se establece una estrategia ptima utilizando las herramientas adecuadas, como los modelos economtricos (anlisis fundamentales).

Capitulo II.

REVISIN DE LA LITERATURA

Para principios del siglo XX, la HME, que haba sido ampliamente aprobada, se torn cada vez menos aceptada en la medida que el precio de los activos era cada vez ms predecible; por tal motivo, algunos economistas y estadsticos llegaron a afirmar que mediante el estudio de patrones del rendimiento de las acciones, los inversionistas son capaces de obtener tasas de rendimiento superiores al mercado (Malkiel, 2003). Las finanzas del comportamiento (behavioral finance) usa la psicologa cognitiva para poder explicar las acciones de los inversionistas de las que se espera no sean consideradas racionales, es decir, que sigan los fundamentos de la teora convencional de las finanzas. Estas acciones consideradas irracionales estn ligadas principalmente a temas heursticos, exceso de confianza y criterios matemticos subjetivos (mental accounting). Por lo tanto, su medicin dentro de los modelos financiero economtricos se hace difcil debido a que no se puede cuantificar su impacto (Ritter, 2003). Las acciones irracionales de los inversionistas pueden causar que el precio de un activo se desve de su valor fundamental; sin embargo, acorde a las finanzas del comportamiento, la desviacin del precio no necesariamente puede crear una oportunidad para generan ganancias. De hecho, una estrategia que busca ayudar a corregir la desviacin del precio de una activo puede ser tanto riesgosa como costosa, debido a que no necesariamente dicho precio pueda volver a su valor fundamental (Barberis y Thaler, 2003)

1. Mercados Globales
La existencia de anomalas de mercado est claramente aceptada por diferentes autores en el campo de las finanzas del comportamiento (behavioral finance).Entre los temas ms estudiados al respecto est el efecto da de la semana, efecto enero y efectos festivos. En ellos se reflejan comportamientos irracionales que afectan el retorno de las acciones. El efecto da de la semana (day of the week) es un tema que ha sido investigado en diferentes pases tanto en desarrollados como emergentes y se ha obtenido resultados diversos como los revelados por Cross (1973), quien fue el primero en observar diferencias en el rendimiento de las acciones tomando como base ms de 30 aos de informacin del ndice S&P 500. Del mismo modo, French (1980) ha evaluado rendimientos diarios del ndice S&P 500 para el periodo de 1923-1977y ha descubierto un rendimiento negativo y significativo los das lunes (-0.139%) y un efecto positivo los das mircoles (0.145%). El autor en cuestin concluye que el rendimiento negativo de los das lunes se debe principalmente a que las empresas publican noticias bajistas2 durante el fin de semana, por lo que el da lunes se generan opciones de venta que producen la cada en el precio de las acciones. Gibbons y Hess (1981) siguen a French, pero utilizan el periodo 1962-1978, en el que encuentran los mismos resultados que French. De esta forma, lunes tiene un rendimiento de -0.357%; mircoles, de 3.209%. Por su parte, Jaffe y Westerfield (1985) muestran que en pases como Japn y Australia tienden a rentabilidades negativas los martes y muy altas los viernes, con niveles de significancia al 5% para Japn y 10% para Australia, dando como posible explicacin la diferencia de horarios entre Estados Unidos y los dems mercados, ya que, si en general el rendimiento de los das lunes en EEUU era negativo, y en los dems mercados estudiados se encontraba el menor rendimiento los das martes, esto podra deberse al rezago de la informacin de un da, es decir, por la caminata aleatoria sesgada. Otros autores como Flannery y Protopadakis (1988), que introducen la informacin del Banco Central, concluyen que el efecto negativo de los das lunes que se da en el mercado de EEUU se debe principalmente al flujo de informacin negativa que se dan en los fines de semana.

Del trmino bearish, se refiere a noticias que causaran una cada en el precio de la accin

Por su lado, Sias y Starks (1995) encuentran un efecto positivo y significativo para el da viernes para el periodo de 1977 a 1991 utilizando empresas del NYSE. Los autores concluyen que este efecto se debe a que hay un aumento de rdenes de compra los das viernes y afirma que los efectos da de la semana son ms grandes cuando los inversionistas institucionales juegan un rol mayor. Por su parte, Peter Reinhard y James M. (2005) sugieren que existe un efecto calendario en el ndice Dow Jones considerando una data de 106 aos, en la que se obtiene una rentabilidad negativa en promedio. Tambin encuentran un efecto calendario en los aos entre 1980 y 1990; no obstante, para despus de ese ao no se encuentra efecto alguno. Dentro del anlisis de las posibles causas del efecto da de la semana, las finanzas de comportamiento juegan un rol importante. Es as que Benson y Rystrom (1989) sugieren que el comportamiento del individuo y sus razones psicolgicas estn detrs de los efectos del da de la semana. Los inversionistas estn influenciados por sus actitudes y emociones que hacen que se tomen decisiones irracionales. El buen estado de nimo general de los viernes por la tarde podra dar lugar a ms compras por los activos. En cambio, el estado de nimo menos eufrico de lunes por la maana podra aumentar el nivel de transacciones de venta. Deldin (1986) brinda tambin una explicacin psicolgica al efecto pre feriado y efecto viernes. l manifiesta que este efecto se debe a la teora del buen humor, para la cual el comportamiento de las personas vara con respecto al da. En este caso, las personas deberan ser ms felices los da viernes y pre feriados que los das lunes y post feriados.

2.

Mercados Emergentes

Con respecto al estudio de mercados emergentes, Wong (1992) y (1999) encuentran un efecto negativo y significativo los das lunes y positivo el viernes en el periodo de 1975-1988 para los mercados de Singapur, Malasia, Hong Kong e Indonesia. Otro efecto de anomalas es el de los das pre y post feriado, los cuales se deberan comportar de manera similar a los das lunes y viernes. Para esto, Meneu y Pardo (2004) analizan el efecto mencionado en el IBEX-35 y llegan a la conclusin de que el efecto pre feriado no es causa de otras anomalas, ya que el volumen transado el da anterior al festivo no es diferente al del volumen de un da normal.

10

Existen otros autores que comentan que no existe un efecto da de la semana en mercados en vas de desarrollo. Por ejemplo, Gardeazabal y Rogulaz (2002) revelan que el efecto da de la semana vara de mercado a mercado (dependiendo de su nivel de estructuracin e integracin, y el periodo que se toma) y que el efecto lunes se ve ms a menudo en los mercados grandes y avanzados mientras que en los mercados no desarrollados se encuentran resultados mixtos, que no necesariamente indicaran la existencia de efecto anmalo semanal. Balaban (1999) reporta que para el mercado accionario turco, en el periodo de agosto de 1994 a enero de 1999, se registr un alto y significativo retorno el da viernes, atribuyendo como posible causa la reglas de liquidacin del mercado turco (T+2 ). Esto a su vez se debe a que se produce una morosidad no intencionada con una tasa de 0% de tasa de inters por los das sbado y domingo, en los cuales no opera la bolsa. De esta manera se incentiva a que se oferte por las acciones en mayor cantidad los das viernes y, con ello, se genera que el precio de cierro se eleve.

3.

Latinoamrica

La existencia de efectos anmalos a nivel latinoamericano es un tema poco tratado siendo el ms resaltado el estudio denominado Anlisis del efecto da de la semana en los mercados latinoamericanos por Werner Kristjanpoller Rodrguez (2009). En dicha investigacin se hace un anlisis estadstico para los ndices de los mercados argentino, brasileo, colombiano, mexicano y peruano para el periodo comprendido entre 1993 a 2007. El trabajo llega a la conclusin de que los das lunes y jueves tienen una rentabilidad por debajo al promedio para el mercado burstil brasileo; mientras que los das lunes tienen un rendimiento debajo del promedio para el mercado mexicano y chileno; los das martes tienen un rendimiento por debajo del promedio para el mercado colombiano; y existe un fuerte efecto da viernes para el mercado peruano. Adems, el investigador realiza un estudio economtrico en base a modelos asimtricos STARGARCH para el mercado colombiano. En este se llega a la conclusin de que el da martes es el que cuenta con un rendimiento menor al promedio, para ellos dividen la data en dos series.

11

4.

Mercado Peruano

Para el caso peruano, el tema de los efectos anmalos en el mercado burstil es poco tratado. De modo que el estudio de Delgado y Humala (1996) constituye una de las pocas investigaciones que analiza a ligeros rasgos dichos efectos en el Per. El trabajo se centra en analizar los patrones de comportamiento del mercado local en comparacin con el de otros mercados, as como la autocorrelacin positiva en periodos cortos y negativa en periodos largos y que usualmente la ineficiencia se atribuye a la existencia de agentes irracionales que distorsionan los precios del mercado.

5.

Modelos simtricos y asimtricos

Los modelos ms usados para identificar los efectos anmalos son los que incluyen la varianza autorregresiva condicional heterocedstica (ARCH y sus modelos derivados).Con respecto a la literatura de los modelos que se utilizan tenemos a Alexakis y Xanthakis (1995) quienes usan el modelo E-GARCH para investigar la volatilidad y rentabilidad de las acciones. De esta forma identificaron un efecto positivo los das lunes. Dimitris (2005), en cambio, examina el efecto da, mes y festividades en el mercado de acciones de Atenas y usa el modelo GARCH. Chia (2006) usa los modelos TARCH Y EGARCH para poder capturar la asimetra del mercado en Malasia tomando como periodo desde el 1993 al 2005; de ello encontr un efecto negativo en los retornos del lunes. Rivera (2009) modela el efecto da en el mercado accionario de Colombia mediante el modelo STAR-GARCH; en l encuentra un efecto viernes para el IGBC y la Bolsa de Medelln. Existen otras formas de hallar un efecto calendario; as, Alfredo Peris (2009) modela todos los efectos bajo el programa TRAMO SEATS en el que busca capturar el efecto anmalo para las series aragonesas.

Capitulo III.

HISTORIA DE LOS MODELOS ARCH

En las teoras clsicas de las series de tiempo se empleaba la metodologa Box-Jenkins, lo cual se distanciaba bastante de la realidad, ya que parta de un proceso estocstico estacionario y varianza constante (homocedastcidad), lo que implicaba una correlacin igual entre dos observaciones.

12

En 1982 Robert Engle revolucion los modelos de volatilidad introduciendo estructuras cuadrticas a las pautas de la metodologa Box-Jenkins creadas en 1976. Escribi un artculo sobre la inflacin en el Reino Unido y se dio nacimiento a los modelos de Heterocedastcidad Condicional Autoregresiva- ARCH. A partir de este momento se comenz a investigar la modelizacin de la varianza de las series de tiempo con un especial nfasis en los mercados financieros. En la actualidad los modelos ARCH ya forman parte de la econometra convencional. Lo novedoso de estos modelos fue que intentaban describir el comportamiento de las variables en los mercados financieros, relacionando las fluctuaciones de dichas variables con el tiempo. Concluyendo que los movimientos actuales de las variables se deben a la expectativa creada sobre el valor de cambio producido en el momento anterior. (Valor esperado condicionado a la varianza del periodo anterior) Engle en uno de sus artculos sobre los modelos ARCH, justifica la modelizacin de la Heterocedastcidad Condicional Autoregresiva, mediante 3 enunciados: La experiencia emprica nos lleva a contrastar periodos con diferentes varianzas en el error. Es decir el valor de la dispersin del error respecto a la media cambia en el pasado, por eso un modelo que incluya la varianza del pasado realizar estimaciones ms precisas. Estos modelos sirven para determinar la venta, o no, de activos financieros, los agentes econmicos toman su decisin en funcin a la informacin del pasado, esto es, al valor medio de su rentabilidad y de la volatilidad que hayan tenido. El modelo ARCH puede ser una aproximacin de sistemas ms complejos en el que no existan factores tecnolgicos que afecten la heterocedastcidad condicional.

Capitulo IV.

METODOLOGA

Siguiendo el enfoque de Gibbons y Hess (1981), se sigue la siguiente regresin para medir el efecto da de la semana :

13

Donde

representa las cinco variables dummy para los cinco das de la semana que las acciones Si el da t es lunes de lo contrario es cero, lo contrario es cero, etc. si el da es martes de

lista en bolsa.

Sin embargo, existen dos problemas con la regresin anterior: la primera es que lo residuos que se obtienen del modelo pueden estar correlacionados y lo segundo es que la varianza de los residuos no seran constantes. La solucin entonces sera introducir al modelo la rentabilidad del da anterior esta forma de anlisis se utiliza en los trabajos de Kyimaz y Berument (2001).

Una vez que se obtiene indicios de la existencia del efecto da de la semana, se omite una variable dummy que nos permitir medir el impacto de los dems das tomando como base la variable omitida (para nuestro caso omitiremos el da martes).

Para el anlisis del efecto pre feriado se sigue el mismo procedimiento, en el que se crea una variable dummy que toma valores de 1 para los das anteriores a una festividad y 0 cuando no lo es.

Al tener una serie de corto plazo (5 das), esta puede presentar oscilaciones, con lo cual se puede recoger en un modelo de varianza condicional y, de esta manera, hacer mejores predicciones a corto plazo sobre una serie financiera. Con un modelo de varianza condicional se debera tener una estimacin sobre el valor absoluto de la magnitud de los retornos ms exacta. Para nuestro caso, la

14

metodologa que se utilizar sern los modelos de la familia ARCH, los cuales introducen el concepto de varianza condicional.

GARCH
Engle (1982) propuso el modelo autorregresivo condicionalmente heterocedstico (ARCH), el cual forma parte de una familia para modelar la volatilidad de las series. Es este, se toma en cuenta que la varianza condicionada a la informacin del periodo anterior no es constante y depende del cuadrado de las innovaciones pasadas. Bollerslev (1986), por su parte, propone un modelo generalizado del ARCH al que denomin GARCH, en el que se introduce que la varianza condicional depende adems de los errores al cuadrado del periodo anterior.

El siguiente paso sera estimar las 2 ecuaciones, retorno y varianza condicionada simultneamente, con lo que obtendremos los rasgos y caractersticas de la serie financiera que hemos utilizado.

La intuicin de por qu se mide la varianza se debe a que la volatilidad captura la informacin que se da en el mercado, ya sean buenas o malas noticias, y es esta informacin la que permite que se den cambios en la rentabilidad ya sea hacia arriba o hacia abajo. De esta manera podemos tener una mejor medida del impacto de un da de la semana.

15

T-ARCH O TGARCH
El Threshold GARCH (TGARCH), creado por Glosten, Jagannathan Runkle (1993) y por Zakoan (1994), se usa con frecuencia para manejar efectos de asimetra o apalancamiento (leverage)3.

El TGARCH utiliza

para capturar la asimetra de las buenas y malas noticias. Esto se ve reflejado

en los diferentes efectos de la varianza condicional; en particular, las buenas noticias estn reflejadas en w mientras que las noticias negativas lo estaran en w- , adicionado si es diferente

de cero esto significar que las noticias son asimtricas y, entre mayor y positivo sea , exhibir la presencia de un efecto apalancamiento (Leverage effect) en el quelas malas noticias incrementan la volatilidad.

EGARCH
Es un modelo GARCH exponencial creado por Nelson (1991).Captura tambin la asimetra y busca analizar qu ponderacin corresponde a las noticias buenas o malas. Pero, a diferencia del modelo TARCH, el logaritmo de la varianza condicional implica que el efecto apalancamiento sea exponencial garantizando que las estimaciones de la varianza condicional no sean negativas.

Aplicacin de los modelos Garch a la estimacin del Var de acciones colombianas, Ospina, Giraldo, 2009, Revista soluciones de Postgrado

16

Capitulo V. 1.

MERCADO DE RENTA VARIABLE

DATOS

Se toma los datos diarios para el ndice General de la Bolsa de Valores de Lima (IGBVL) tomando una muestra de 10 aos, en los cuales se incluye el precio de cierre de un da. Para esto se tom como el inversionista representativo a una persona o entidad de mediano plazo, ya que, si fuera de muy corto plazo se debera, aplicar un modelo por cada semana y, dada la evidencia que se tiene de la HME, la cual indica que esta prevalece en el corto plazo, no encontraramos efecto alguno al tomar un inversionista de corto plazo. Se dividi la serie en dos tramos que van de enero del 2000 a diciembre del 2005 y enero del 2006 a abril 2011. La finalidad de dividir la data en dos tramos y en un plazo determinado se da por dos razones. La primera es que, de existir un efecto anormal en el mercado de renta variable, este deber manifestarse en cualquier parte del tiempo de la data utilizada; de tomarse toda la informacin como una sola serie, puede que exista un periodo con rendimientos anormales que hagan que en el resultado global se evidencie un efecto anmalo. En otras palabras, se divide la serie en diferentes tramos, ya que la ineficiencia de mercado deber ser consistente en el tiempo. La segunda y ltima razn es que se est considerando a un inversionista de mediano plazo y largo plazo, por lo que se dividi la data en un periodo de 6 aos; esto se relaciona a la HME la cual menciona que, en el corto plazo, el mercado se comporta de manera eficiente, ya que en este escenario se estar reflejando toda la informacin existente y se ajustar rpidamente a los nuevos datos que puedan surgir, por lo que los inversionistas no podrn realizar estrategias para ganarle al mercado. Los datos que se utilizan son los das en los cuales la bolsa lista, es decir de lunes (inicio) a viernes (cierre), aunque pueden existir ocasiones en las cuales los das de inicio sean diferentes por ser feriados.

17

En el grfico 1 y 2 se puede observar el comportamiento del IGBVL. Se nota un mayor ruido en el grfico 2, el cual es causado por la crisis financiera de 2008 (observacin 750 +/-). Para poder hallar las rentabilidades diarias se toma el logaritmo del precio de cierre de un momento t entre el logaritmo del precio de cierre momento t-1.

Los resultados estadsticos muestran que, en promedio, las rentabilidades diarias en el IGBVL son menores los das lunes y martes; mientras que el da viernes, la rentabilidad es ms alta al promedio de los otros das de la semana, lo que nos da un indicio visual de la existencia del efecto da de la semana (ver tabla 1y 2).Tambin se revis la data para ver la existencia de un rendimiento sumamente alto que haga que capture un efecto viernes (outlier); de ello, no se encontr un rendimiento sumamente explosivo en ninguna de las dos series. Para los histogramas diarios en los grficos 5 y 8, se observa que ningn dia se comporta como una distribucin normal. Por otro lado, la hiptesis nula de que los retornos deben ser iguales en promedio todos los das puede rechazarse para todos los das (ver tabla 1 y 2). Dado esto, se evidencia que existe una correlacin entre los das de la semana, por lo que los inversionistas podranaprovecharla para idear estrategias a finde obtener ventajas sobre el mercado.

Una caracterstica principal a la hora de evaluar series de tiempo es la estacionalidad. Para esto se aplic el Test de raz unitaria aumentado de Dickey-Fuller a las rentabilidades de cada una de las series. Al analizar cada una de las series, con retardo mximo de 28 das, se considera como hiptesis nula la presencia de raz unitaria, es decir, que la serie se comporta como caminata aleatoria en donde la varianza ser constante y el movimiento de las acciones deber ser aleatorio y no tener una tendencia en un da en especial. Con los resultados encontrados en la tabla 3, podemos concluir que las dos series que se tiene son estacionarias, ya que lo se busca realmente son efectos anmalos en una serie estacionaria con los efectos viernes o lunes.

18

2.

RESULTADOS DEL MODELO

Despus de aplicar lo explicado en la metodologa, se ha aplicado un MCO con intercepto para las dos series; ello con la finalidad de observar y capturar rentabilidad anormal con respecto a la variables omitidas, ya que, segn la HME, los rendimientos de todos los das tendern a ser iguales. En la tabla 4, se puede observar que el da viernes muestra un resultado positivo y significativo con respecto a la variable omitida en la serie 2000-2005. En la Tabla 5 se observan los resultados de los modelos GARCH, TARCH, y EGARCH. Aqu se aprecia que el da viernes es el que muestra un valor positivo y significativo en ambas series y en todos los modelos. Con respecto a la varianza, no se obtiene resultados significativos, sin embargo, podemos rescatar que la volatilidad de los viernes es negativa. Siguiendo en la misma direccin de evaluacin, est el Criterio de Akaike. Este modelo tiene en total M parmetros que van a ser ajustados a los datos. El criterio de informacin de Akaike pondera entre la funcin logaritmo de mxima verosimilitud, usando la varianza residual y el nmero de parmetros en el modelo. El modelo a escoger es el que considera a AIC mnimo. El Criterio de Schwarz es similar y se ajusta por el tamao de la muestra. Dado esto, en la tabla 5 se puede observar que el modelo que mejor se ajusta a la serie 2000-2005 es el T-ARCH, mientras que para la serie 2006-2011 es el modelo EGARCH; esto se debe a que el ruido que produce la crisis del 2008 se ajusta mejor utilizando el logaritmo de los errores y con la finalidad de eliminar los signos negativos. En consistencia, hemos encontrado un efecto viernes positivo y significativo en las dos series que hemos utilizado y en cada uno de los modelos. Si bien muchos de los motivos que explican el efecto viernes no se pueden testear, ya que se encuentran en el campo de las finanzas del comportamiento (behavioral finance), este paper ha buscado ciertos motivos que ocurren en el mercado peruano y que pueden ser posibles explicaciones al efecto viernes. Para poder explicar los rendimientos altos del da viernes tendramos que analizar la informacin relevante del da anterior que podra percutir al da siguiente. Como sabemos, el BCRP es una

19

entidad muy influyente en el mercado burstil, ya que los traders modifican sus expectativas con respecto a las polticas monetarias que establece el banco, especficamente. Las reuniones donde se fijan las tasas de encaje, tipo de cambio, etc., se realizan el segundo jueves de cada mes. Por lo tanto, podramos correr un modelo omitiendo el da jueves y analizar el efecto que tiene sobre el da viernes, y as comprobar si es una causa al efecto viernes. En la tabla 7 se muestran los resultados del modelo MCO, en donde se encuentra que el jueves da en el que el BCR se rene-muestra un rendimiento alto y significativo para la serie 2000-2005, mientras que para 2006-2011muestra un rendimiento no significativo y negativo. Para tener un mejor anlisis, se tom solo los das jueves en los que el BCR se rene y los das viernes posteriores a dicha reunin (ver tabla 8). Al estimar por MCO lo que se obtiene es un efecto similar obtenido en la tabla 7. Al igual que los casos anteriores es necesario utilizar un modelo de varianza condicional para obtener una estimacin correcta de los coeficientes. Para esto se corri bajo los modelos GARCH, TARCH Y EGARCH, en los que se omiti el da en el cual se renen los directores del ente emisor; de esta manera, se puede capturar un efecto anormal. Los resultados mostrados en la tabla 9, dejan entender que no existe ningn efecto anormal y significativo para el da viernes para la serie 2000-2005.Sin embargo, en la serie del 2006-2011 se puede observar que el coeficiente del viernes es alto pero con un bajo nivel de significancia. El efecto del da jueves sobre el viernes solo se cumple en la segunda parte de la muestra 20062011; sin embargo, no podemos concluir que las reuniones del BCRP tengan algn efecto sobre el da viernes. Esto se debe a que las decisiones que tome dicha institucin pueden suponer tanto un aumento o una disminucin de las tasas de referencia. Por otro lado, se podra evidenciar que el BCRP influye en el rendimiento anmalo del da viernes, siempre y cuando el BCRP decida bajar su tasa de referencia en todas sus reuniones. No obstante, este es un escenario que no sucede en la realidad. Adems, cabe resaltar que, de suceder el escenario anterior, los agentes e inversionistas

20

incorporaran la informacin con antelacin, lo cual no provocara efecto anmalo alguno, ya que no se podra establecer estrategias para ganarle al mercado. Otra posible causa de que el da viernes sea el que tenga el rendimiento ms alto en comparacin a los otros das de la semana, ser los das extras de crdito que tiene el inversionista para liquidar y pagar sus acuerdos de compra y venta. De esta manera, el inversionista preferir actuar de manera racional y comprar los activos el da viernes. Dado lo anterior, y si est hiptesis fuera correcta, tendra que cumplirse tambin que los das preferiados tengan el mismo comportamiento que el da viernes. Para esto se ha corrido un modelo con los das pre feriados y los no feriados para observar si existe un efecto anormal positivo que permita evidenciar la hiptesis de que los dos das de crdito extras son una causa del efecto viernes. Para esto, debido a la poca data que exista en la serie a evaluar, se tom toda la informacin como una sola serie, adems se extrajo todos los viernes que tuvieran el carcter de da pre-feriado con la finalidad de no sesgar la prueba y poder as capturar solo el efecto del da pre-feriado. Los resultados en la tabla 10 muestran una evidencia positiva y significativa de por lo menos 5% en todos los modelos de volatilidad condicional. Por esta razn podramos afirmar la hiptesis de que los das de crditos extras son una causa del efecto viernes en el mercado de renta variable.

3.

EFECTO DE RENDIMIENTOS ESTACIONALES MENSUALES

Con respecto a los efectos anmalos en los mercados, existen tambin efectos anormales en los rendimientos mensuales. En ellos se puede testear la premisa de que no se cumple la HME. El motivo por el cual se tomara en cuenta este efecto es que si se identifica un mes con rendimiento mensual muy alto y significativo en la muestra, en dicho mes ocurrira una mayor compra por parte del ndice a diferencia de otros. De ser as, el da perfecto para comprar el ndice en tal mes seran los viernes (hiptesis de das extras de crdito).Sin embargo, lo anterior supondra una mala interpretacin de los resultados anteriores, ya que es posible que en las regresiones de los modelos anteriores se est capturando los rendimientos del da viernes del mes en referencia, lo que produce

21

un sesgo en la evidencia de que el efecto viernes sea solo por das extras de crdito. Por ello, de existir un mes que muestre un comportamiento anormal, se plantea observar el comportamiento del da viernes con respecto al promedio de los otros das. Por otro lado, se analiz la data en una solo serie, la cual abarca el periodo entre el ao 2000 al 2011.Esto se debi a que se estaba trabajando con datos mensuales, por lo que si se divida al igual que en las series diarias, se iba a tener poca informacin analizable, la cual podra dar una medicin poca precisa del efecto a estimar. Adems, se revis que la data no mostrara datos explosivos (outliers), los cuales podran sesgar los resultados encontrados, de esta revisin se encontr que solo el mes de octubre de 2008 mostraba un resultado sumamente negativo debido a la crisis hipotecaria de estados unidos. Dado lo anterior, se aplic un modelo similar al del efecto da de la semana con la diferencia del empleo de 12 variables dicotmicas correspondientes a los 12 meses. Siguiendo con el enfoque de Lpez y Rodrguez (2009) tendramos el siguiente modelo de regresin.

Al igual que la misma metodologa para hallar el efecto anormal diario, se omite el mes de enero para observar la existencia de algn efecto anormal mensual. Si los coeficientes de las variables dummy son cero, entonces no existe un efecto estacional en los rendimientos mensuales; por el contrario, si se obtiene coeficientes negativos estaramos ante la presencia de un efecto enero.

Al estimar por MCO en la tabla 11 se observa el mayor rendimiento en el mes de enero (variable omitida); sin embargo, este no difiere mucho de otros rendimientos como el de febrero y marzo.

22

Tambin se observa un rendimiento negativo para el mes de octubre. Este se debe al valor explosivo (outlier) causado por la crisis financiera en octubre de 2008. Al modelarse bajo los modelos de varianza condicional, se observa la presencia del efecto enero con un nivel de significancia de 1% para algunos modelos. Se puede apreciar tambin que, siguiendo el criterio de eleccin de modelos segn su ajuste, el modelo que mejor estima los coeficientes es el modelo TARCH. El motivo por el cual pueda existir un efecto enero en nuestra bolsa de valores se puede deber a que las empresas empiezan a difundir las noticias de sus utilidades del ejercicio econmico que acaba de terminar. Por ello se suscita un efecto bull (compra) en el mercado de acciones para el mes de enero. Dicho de otro modo, las empresas difunden las noticias de sus utilidades a finales de diciembre, por lo que los inversionistas, sin importar el comportamiento de la accin, decidirn comprar en enero las acciones de las empresas que consideren que pagaran altos dividendos. As, el precio de la accin sube. Por lo general, los dividendos se pagan en el mes de marzo, fecha de corte para comprar las acciones en diferentes das de enero. Una vez identificado el mes en el que se obtiene el rendimiento anormal, el siguiente paso es observar si en los meses de enero, los das viernes tienen rendimiento que puedan implicar una mala interpretacin de los resultados obtenido anteriormente. Dado esto, se observa que las rentabilidades mximas de los viernes del mes de enero no influyen en la interpretacin de nuestros resultados, ya que, si se compara con el cuadro de estadsticos mostrados en la seccin de Datos de esta investigacin, se encontrar que las rentabilidades del da viernes para el mes de enero se encuentra dentro del promedio (ver grfico 9 y 10).

23

Capitulo VI. MERCADO DE RENTA FIJA 1. DATOS

Se tomaron los datos diarios del ndice Dow Jones para los bonos de Per4 tanto en soles como en dlares. Se consider una muestra de 10 meses y 19 meses para bonos en soles y dlares respectivamente. En ellos se incluye el precio de cierre de un da. Para esto se consider como el inversionista representativo a una persona o entidad de mediano plazo, ya que, si fuera de muy corto plazo, se debera correr un modelo por cada semana pero, dada la evidencia que se tiene de la HME, no encontraramos efecto alguno. A diferencia del mercado de renta variable, para el mercado de renta fija no se dividi la data en periodos de evaluacin debido a la poca informacin que se tiene para el mercado de bonos, ya que el ndice creado por el Dow Jones fue publicado por primera vez en octubre de 2010 para bonos globales (dlares) y en junio de 2011 para bonos soberanos (soles).Por ello, se trabaj con toda la informacin disponible. Los datos que se utilizan son los das en los cuales el mercado secundario de renta fija opera, es decir, de lunes (inicio) a viernes (cierre); aunque puede existir das en los cuales los das de inicio sean diferentes por ser feriados. En el grfico 11 y 12 se puede observar el comportamiento del ndice. Para poder hallar las rentabilidades diarias se toma el logaritmo del precio de cierre de un momento t entre el logaritmo del precio de cierre momento t-1.

Los ndices Dow Jones LATixx Peru Government Nuevos Soles Bond y el Dow Jones LATixx Global Peru Government USD Bond Index, fue publicado por primera vez en octubre de 2010. y se estima con el precio diario al cierre

de los bonos globales y

soberanos del Per.

24

Los resultados estadsticos muestran que, en promedio, las rentabilidades diarias del ndice Dow Jones en soles son menores los das jueves y altas los das viernes. Esto nos da un indicio visual de la existencia del efecto da de la semana (ver grfico 14 y tabla 12); por otro lado, los resultados estadsticos para las rentabilidades diarias del ndice Dow Jones en dlares muestran el da lunes con una rentabilidad muy por encima al promedio (ver grfico 17 y tabla 13).De otra parte, se revis la data para ver la existencia de un rendimiento sumamente alto a fin de que capture un efecto viernes; de ello no se encontr un rendimiento sumamente explosivo en ninguna de las dos series. Para el histograma diario, que se observa en el grfico 15 y 18, se puede evidenciar que ningn da se comporta como una distribucin normal, lo que apoya la existencia de estacionalidad Al observar las dos series, se puede notar que los efectos diarios son muy diferentes en ambas muestras. Por ello, los resultados podran evidenciar la no existencia de un efecto da de la semana para el mercado de renta fija. Una caracterstica principal a la hora de evaluar series de tiempo es la estacionalidad. Para emprender este procedimiento, se aplic el Test de raz unitaria aumentado de Dickey-Fuller a las rentabilidades de cada una de las series. Al analizar cada una de las series con retardo mximo de 28 das, se considera como hiptesis nula la presencia de raz unitaria; es decir, que la serie se comporta como caminata aleatoria en donde la varianza ser constante y el movimiento de las acciones deber ser aleatorio y no tener una tendencia en un da en especial. Con los resultados encontrados en la tabla 14, podemos concluir que las dos series que tenemos son estacionarias, ya que lo se busca realmente son efectos anmalos en una serie estacionaria con los efectos viernes o lunes.

2.

RESULTADOS DEL MODELO

Se aplic un MCO con constante eliminando el da martes para calcular la diferencia entre los diferentes betas de los das de la semana con la variable omitida. Los resultados del modelo se pueden ver en la tabla 14, en la que se evidencia que no se tienen ineficiencias de mercado, debido a que ningn resultado es significativo.

25

En la Tabla 16 se observan los resultados de los modelos GARCH, TARCH, y EGARCH, a travs de los cuales se obtuvo como resultado que no existe un efecto de ineficiencia de mercado. En la tabla 17, siguiendo la lnea de los criterios de Akaike y Schwarz, se observa que el modelo que mejor se ajusta a la serie soles es el T-ARCH mientras que para la serie dlares es el modelo GARCH. Esto se debe a que los bonos son menos sensibles a shock exgenos, a diferencia del mercado de acciones. En consistencia, hemos encontrado que para el mercado de bonos peruanos, no existe un efecto da de la semana y, por tanto, se podra considerar que es un mercado eficiente. Una causa de este hecho se podra atribuir a la poca liquidez que tiene este mercado, en donde las variaciones de los precios son mnimas, debido a que quienes mayormente adoptan este instrumento de deuda son las empresas aseguradoras y los fondos de pensiones. Por otro lado, la medicin que se ha realizado para el mercado de renta fija puede ser poca precisa, debido a la poca data disponible con la que se ha trabajado.

Capitulo VII. MERCADO DE DINERO 1. DATOS

Se toma los datos diarios para la tasa interbancaria en dlares, tomando una muestra de 17 aos dividida en tres series: de 1995 al 1999, de 2000 al 2005 y de 2006 a junio de 2012, en los cuales se incluye la tasa de cierre de un da. La finalidad de dividir la data en tres tramos y en un plazo determinado se da por dos razones. La primera es que, de existir un efecto anormal en el mercado de dinero, este deber manifestarse en cualquier parte del tiempo de la data utilizada. De tomarse toda la informacin como una sola serie, puede que exista un periodo con rendimientos anormales que haga que en el resultado global se evidencie un efecto anmalo, es decir se divide la serie en diferentes tramos, ya que ineficiencia de mercado deber ser consistente en el tiempo. La segunda y ltima razn es que se est considerando a un inversionista de mediano plazo y largo plazo, por lo que se dividi la data en un

26

periodo de 6 aos. Esto se vincula con la HME, que menciona que, en el corto plazo, el mercado se comporta de manera eficiente, ya que en este escenario se estar reflejando toda la informacin existente y se ajustar rpidamente a los nuevos datos que puedan surgir, por lo que los inversionistas no podrn realizar estrategias para ganarle al mercado. Los datos que se utilizan son los das en los cuales el mercado de dinero opera, es decir, de lunes (inicio) a viernes (cierre); aunque pueden existir das en los cuales los das de inicio sean diferentes por ser feriados. En los siguientes grficos se puede observar el comportamiento de la tasa interbancaria en USD. En el grfico 19 se encuentran agrupados los datos de enero de 1995 a diciembre de 1999.Del mismo modo, el grfico 20 agrupa los datos de enero de 2000 a diciembre de 2005; y el grfico 21 agrupa los datos de enero de 2006 a junio de 2012. Para poder hallar las rentabilidades diarias se toma el logaritmo de la tasa de cierre de un momento t entre el logaritmo del precio de cierre momento t-1.

Los resultados estadsticos muestran que, en promedio, las rentabilidades diarias de la tasa interbancaria en dlares son mayores los das jueves y lunes para la serie 1995-1999 (ver grfico 23 y tabla 18), mientras que son mayores el da viernes para la serie 2000-2005, y 2006-2012 (ver grfico 26 y 29, y tabla 19 y 20 ).Por otro lado, se revis la data para ver la existencia de un rendimiento sumamente alto que haga que capture un efecto viernes; de este anlisis no se encontr un rendimiento sumamente explosivo en ninguna de las dos series. Al observar las dos series se puede evidenciar que los efectos diarios son muy diferentes en ambas muestras; por tanto, los resultados podran evidenciar la inexistencia de un efecto da de la semana para el mercado de dinero. Una caracterstica principal al momento de evaluar series de tiempo es la estacionalidad, para esto se aplic el Test de raz unitaria aumentado de Dickey-Fuller a las rentabilidades de cada una de las series. Al analizar cada una de las series con retardo mximo de

27

28 das, se considera como hiptesis nula la presencia de raz unitaria. Esto implica que la serie se comporta como caminata aleatoria de tal modo que la varianza ser constante y el movimiento de las acciones deber ser aleatorio y no tener una tendencia en un da en especial. Con los resultados encontrados en la tabla 21, podemos concluir que las dos series que tenemos son estacionarias, ya que lo se busca realmente son efectos anmalos en una serie estacionaria con los efectos viernes o lunes.

2.

RESULTADOS DEL MODELO

Se emple un MCO con constante, eliminando el da martes para calcular la diferencia entre los diferentes betas de los das de la semana con la variable omitida. Los resultados del modelo se pueden ver en la tabla 22. En esta, el resultado ms relevante es el coeficiente del da viernes para la serie 2000-2005, y jueves y viernes para la serie 2006-2012. En la Tabla 23 se observan los resultados de los modelos GARCH, TARCH, y EGARCH. En ellos, el da viernes es el que muestra un valor positivo y significativo en las series 2000-2005 y 20062012, y en todos los modelos. En la tabla 24, siguiendo la lnea de los criterios de Akaike y Schwarz, se observa que el modelo que mejor se ajusta a la serie 1995-1999 y 2000-2005 es el GARCH; mientras que para la serie 2006-2012 es el modelo TGARCH. Este resultado se debe a que es una serie que cuenta con mayor ruido a las otras e insertando una dicotmica para los rendimientos positivos y negativos se ajustar mejor el que en los otros modelos. En consistencia se ha encontrado que existe una ineficiencia de mercado en el mercado de dinero: se ha obteniendo resultados mixtos con respecto a los das. No obstante, notamos que se sigue manteniendo un efecto viernes positivo y significativo en las tres series que hemos utilizado y en cada uno de los modelos. Al igual que el mercado de renta variable, se ha concluido que la existencia de un efecto viernes se deber a los das extras de crdito que reciben los bancos para cumplir con las obligaciones a la tasa que se prestan (tasa interbancaria).Por lo tanto, se podra aplicar un modelo con los das pre

28

feriados y los no feriados para observar si existe un efecto anormal positivo que permite evidenciar la hiptesis de que los dos das de crdito son una causa del efecto viernes. Cabe resaltar adems que, al igual que el mercado de renta variable, en el mercado de dinero el da de liquidacin es T+3. Para esto se ha corrido un modelo con los das pre feriados y los no feriados a fin de observar si existe un efecto anormal positivo que permite evidenciar la hiptesis de que los dos das de crdito son una causa del efecto viernes. Los resultados en la tabla 25 muestran una evidencia positiva y significativa en todos los modelos de volatilidad condicional. Por ello, podramos afirmar la hiptesis de los das de crditos extras en el mercado de dinero para la tasa interbancaria en dlares.

Capitulo VIII.

ENCUESTA A CASAS DE BOLSAS, BANCOS Y AFPS

Una explicacin de la existencia del efecto da de la semana es que el estado de nimo de los individuos vara segn el da en que se encuentren; es decir, los das viernes los individuos son ms felices a causa de que ya no cuentan con cargas laborales, por lo que en su comportamiento existir una tendencia a comprar acciones. Bajo esta premisa suceder lo contrario con los das lunes, ya que generalmente es un da tedioso en el que los individuos se sienten cansados o de mal humor, lo que genera una tendencia a la venta de acciones. Para probar esta hiptesis, as como la demostrada en la presente investigacin, se realiz una encuesta con la finalidad de determinar desde el punto de vista de los principales traders e inversionistas de las principales casas de bolsas, bancos y AFPs, preguntndoles si es que exista un efecto anmalo en los mercados analizados as como sus posibles causas. La encuesta enviada estuvo estructurada en base a 6 preguntas. Las tres primeras se basaron en si el encuestado haba percibido o consideraba que exista un efecto estacional u otro efecto anmalo en los diferente mercados (renta variable, renta fija, y mercado de dinero); la otras tres preguntas se basaron en las respuestas de las anteriores tres, es decir de haber percibido algn efecto anmalo, se le peda al encuestado que completara, desde su punto de vista y en base a su experiencia, las causas de dicho efecto.

29

Se realizaron 24 encuestas (4 encuestas por institucin) entre diciembre de 2012 a enero de 2013 y fueron enviadas a los principalmente Head Traders (jefes de equity, fix income, money market) y traders con experiencia de las principales casas de bolsas, AFPs y Bancos. La seleccin de las dos casas de bolsas se dio en base a su grado de importancia en trminos de montos negociados en el pas, as como dos de las principales AFPs y Bancos. Los resultados de la encuesta se muestran en el grfico 31 y tabla 26. Los traders de estas entidades contestaron que, tanto para el mercado de renta variable como para el mercado de dinero, s han percibidos efectos anmalos; sin embargo, para el mercado de renta fija con excepcin de una AFP, contestaron que no han percibido dichos efectos. Por otro lado, las respuestas de las entidades acerca de las causas de estos efectos anmalos fueron primordialmente en torno al mercado de renta variable, los das extras de crdito y el estado de nimos de los inversionistas; mientras que para el mercado de dinero fueron los das extras de crdito y la demanda de los bancos por dinero para cubrir sus necesidades de sus clientes los fines de semana.

30

CONCLUSIONES Y RECOMENDACIONES
Hemos podido concluir que, tanto en el mercado de renta variable como en el mercado de dinero, existe un efecto da de la semana especficamente los das viernes. Esto se debe a que, en promedio, sus rentabilidades son significativamente altas en comparacin a los otros das de la semana. Este resultado se ha cumplido para nuestra muestra del 2000-2005 y del 2006-2011 en el mercado de renta variable, y para la muestra 2000-2005 y 2006-2012 para el mercado de dinero. Lo ms importante es que con todos los modelos utilizados (MCO, GARCH, EGARCH, TARCH) el efecto da de la semana persiste. Adems, no solo se busc demostrar que existe un efecto da de la semana sino la causas de este. Para dicho propsito nos basamos en la teora que indica que los das viernes tienen altas rentabilidades por los das extras de crdito que son otorgados por los fines de semana. Para comprobar esta teora se utilizaron los diferentes modelos, MCO, GARCH, EGARCH, TARCH utilizando como variables los das feriados que deberan tener los mismos efectos que los fines de semana. A partir de lo anterior, se ha obtenido resultados significativos para ambas series de la muestra tanto en el mercado de renta variable como en el mercado de dinero, lo cual nos indicara como una posible explicacin para la existencia del efecto da de la semana. Adems se comprob que para el mercado de renta fija no existe un efecto da de la semana y, por tanto, se podra considerar que es un mercado eficiente; sin embargo, consideramos que la data utilizada y disponible para el testeo del mercado de renta fija es muy corta, por lo que el resultado podra ser poco preciso. Ante esto, recomendamos que se vuelva a realizar el estudio para el mercado de renta fija en el futuro con data suficiente para poder tener resultados robustos y precisos. Por otro lado, durante la presente investigacin se encontr otra posible causa al efecto viernes en el mercado de dinero. Por lo general, las empresas bancarias insertan una cierta cantidad de dineros en los cajeros (ATMs). Deseando atender las necesidades de sus clientes y analizando la psicologa de las personas, estas tendern a retirar la mayor cantidad de dinero o en mayor proporcin al resto

31

de das de la semana(los das viernes y/o sbados) con la finalidad de invertirla el fin de semana generalmente en ocio. Los bancos conocedores de los flujos de egresos de los ATMs introducirn una mayor cantidad de dinero en los ATMs para cubrir la demanda de ese da; de esta forma, los banco pequeos y medianos se prestarn de los bancos grandes, induciendo de esta manera un exceso de demanda por la tasa interbancaria los das viernes. Para conocer este proceso, nos pusimos en contacto con un banco mediano en el Per, el cual facilit el flujo de dinero diario de sus ATMS puestos en valor bajo un ndice (con el objeto de no saber su monto real) para una serie que abarca de septiembre de 2009 a noviembre de 2011. Como lo que importa para una investigacin son las tendencias de esos valores, consideramos razonable los valores en ndices facilitados por el banco. Nuestro anlisis mostrado en el grfico 32, muestra que se cumple que los motos retiro de las ATMs son mayores los das viernes que en los otros das. Por tanto, consideramos que podra ser una causa de los efectos anmalos en el mercado de dinero y, por tanto, tema de estudio en investigaciones posteriores.

32

REFERENCIAS BIBLIOGRFICAS
ALEXAKIS, P. and M. XANTHAKIS, 1995. Day of the week effect on the Greek stock market. Applied Financial Economics Bachelier, L. (1900): Louis Bacheliers Theory of Speculation, The Origins of Modern Finance. Balaban, E. 1999. Day of the Week Effects: New Evidence from an Emerging Market. Applied Economics Letters 2: 139-143. Barberis, N.B. Thaler, R. (2003): A Survey of Behavioral Finance. Handbook of the Economics of Finance, vol. 1, 1053-1128. Benson, E.D. Rystrom, D.S. (1989): Investor Psychology and the Day-of-the-Week Effect. Financial Analysts Journal, vol. 45, no. 5, 75-78. BERUMENT, H. and H. KIYMAZ, 2001. The Day of the Week Effect on Stock Market Volatility. Journal of Economics and Finance. Bildik R. (2001), Intra-day Seasonalities on Stock Returns: Evidence From the Turkish Stock Market, Emerging Markets Review, 2, 387 417. Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity.Journal of Econometrics. V.31, 307-327. Chia, R. (2006). Day-of-the-week effects in Selected East Asian stock markets, Labuan School of International Business and Finance, University Malaysia Sabah Chuvakhin, N. (2002). "Efficient Market Hypothesis and Behavioral Finance -Is A Compromise in Sight? Cross, F. 1973. The Behavior of Stock Prices on Fridays and Mondays. Financial Analysts Journal 29: 67-69. Dimitris Kenourgios & Aristeidis Samitas & Spyros Papathanasiou, 2005. "The Day of the Week Effect Patterns on Stock Market Return and Volatility: Evidence for the Athens Stock Exchange," Finance 0512028, EconWPA.

33

Fama, E. (1965) "The Behavior of Stock Market Prices". Journal of Business 38 (1): 34 105. January 1965. Fama, E. (1997) "Characteristics, Covariances, and Average Returns: 1929-1997," (with James L. Davis and Kenneth R. French). Journal of Finance, Vol. 55, No. 1, February 2000 Flannery, M. J.; Protopadakis ,Aris A. (1988): From T-Bills to CommonStocks: Investigating the Generality ofIntra-Week Return Seasonality, Journalof Finance, volumen 43, nmero 2, pginas 431-450 French, K. R. 1980. Stock Returns and The Weekend Effect. Journal of Financial Economics 8:55-69. Gardeazabal, J. and Rogulaz, M., (2002). The Weekend-Dividend Effect in the Spanish Market, Presentation at the 2002 European Finance ManagementAssociation, Annual Conference, June 2002 in London, UK. Gibbons, M., and P. Hess, 1981, Day of the Week Effects and Asset Returns, Journal of Business, 579-596. Glosten, L. R., R. Jagannathan, and D. E. Runkle. 1993. On the Relation between the ExpectedValue and the Volatility of the Nominal Excess Returns on Stocks. Journal of Finance 48:1779-1801. Delgado, V y Humala, A. (1996) El mercado burstil peruano y la hiptesis del mercardo eficiente, Banco Central de Reserva. Deldin, P.(1986). Framing effects in decisions with completely and incompletely described alternatives. Organisational behavior and human decision processes, 38, 48-64. Jaffe, J., y R. Westerfield. 1985. The Weekend Effect in Common Stock Returns: The International Evidence. Journal of Finance 40: 433-454.
Kristjanpoller Rodriguez W. (2009). An Analysis of the day of the week effect in Latin America Stock Markets. Universidad de Antioquia, Num 71, pp 189-208.

Mandelbrot, B. (2004) The Misbehavior of Markets, A Fractal View of Risk, Ruin and Reward

34

Malkiel, B.G. (2003): The Efficient Market Hypothesis and Its Critics. Journal of Economic Perspectives, vol. 17, no. 1. pp. 59-82. Meneu, V. & Pardo, A. (2004). Pre-holiday effect, large trades and small investor behavior, Journal of Empirical Finance, 11, pp. 231-246 Nelson, D. B. 1991. Conditional Heteroskedasticity in Asset Returns: A New Approach.Econometrica 59: 347-370. Reinhard, P., Lunde, A., Nanson, J. (2005) Testing the significance of calendar effects,Journal of Financial Economics Regnault, J. (1863) Calcul des chances et philosophie de la bourse, Paris: Mallet-Bachelier and Castel. Ritter, J.R. (2003): Behavioral Finance. Pacific-Basin Finance Journal vol. 11, no. 4, 429437. Rivera, D. (2009). "Modelacin del Efecto del Da de Semana para los ndices Accionarios de Colombia mediante un modelo Star Garch", Revista de Economa del Rosario, 12 (1), 124. Randolph WESTERFIELD, 1985. The Week-End Effect in Common Stock Returns: The International Evidence, The Journal of Finance, Vol. 40, No. 2. (Jun., 1985), pp. 433-454. SIAS, Richard W. and Laura T. STARKS, 1995. The Day-of-the-Week Anomaly: The Role of Institutional Investors, Financial Analysts Journal, May/June 1995, Vol. 51, No. 3: pp. 58-67.

Tufan, E. y Hamarat, B. (2004), Do Cloudy Days Affect Stock Exchange Returns: Evidence from Istanbul Stock Exchange

35

Wong, K. A., Hui, T. K. and Chan, C. Y. (1992), Day-of the week effects: evidence from developing stock markets, Applied Financial Economics, 2: 49-56. ZAKOIAN, J. 1994. Threshold heteroskedastic models. Journal of Economic Dynamics and Control 18, 931 - 995.

36

ANEXOS.
Grfico 1: IGBVL 2000-2005
6,000 24,000

Grfico 2: IGBVL 2006-2011

5,000

20,000

4,000

16,000

3,000

12,000

2,000

8,000

1,000 250 500 750 Observaciones 1000 1250

4,000 250 500 750 observaciones 1000 1250

Grfico 3: Rendimientos serie 2000-2005

6 4 2 0 j % -2 -4 -6 -8 250 500 750 1000 1250

Grfico 4: Rendimiento por da

Tabla 1: Estadsticas de la Serie 2000-2005

P R OM EDIO LUNES M AR TES M IER C OLES J UEVES VIER NES

P ro m e dio M e dia na M xim o M inim o De s via c i n Es t. As im e tra C uto rs is

0 .0 6 4 3 7 0 0.038000 4.287000 -6.884 0.894457 -0.502904 9.224633

0.017696 -0.036982 4.286833 -6.883544 0.996332 -1.105098 15.77638

0.002805 0.003045 3.077132 -3.6687 0.843764 -0.21234 5.269048

0.049116 -0.013806 3.978766 -3.668625 0.895691 0.243868 6.234715

0.087580 0.056476 3.980502 -3.536247 0.874527 -0.196715 6.049891

0 . 16 6 3 0 3 0.183092 2.474460 -4.780121 0.850487 -0.988283 7.547463

S um a S um a C ua dra do s .De s v Obs e rva c io ne s

96.16900 1194.479 1494

5.255762 293.8324 297

0.847139 214.2934 302

14.83307 241.4808 302

26.01129 226.3803 297

49.22569 213.3819 296

37

Grfico 5: Histograma por da - Serie 2000-2005

LUNES
100 80 Frequency 60 40 20 0 -8 -6 -4 -2 0 2 4 6 Frequency 40

MARTES

30

20

10

0 -4 -3 -2 -1 0 1 2 3 4

MIERCOLES
50 40 Frequency 30 20 10 0 -4 -3 -2 -1 0 1 2 3 4 Frequency 50 40 30 20 10 0 -4 -3 -2 -1

JUEVES

VIERNES
50 40 Frequency 30 20 10 0 -5 -4 -3 -2 -1 0 1 2 3

Grfico 6: Rendimientos serie 2006-2011

.28 .24 .20 .16 .12 .08 .04 .00

Grfico 7: Rendimiento por da

RETORNOS

LUNES

MARTES

MIERCOLES

JUEVES

VIERNES

38

Tabla 2: Estadsticas de la Serie 2000-2005

P R OM EDIO

LUNES

M AR TES

M IER C OLES

J UEVES

VIER NES

P ro m e dio M e dia na M xim o M inim o De s via c i n Es t. As im e tra C uto rs is S um a S um a C ua dra do s .De s v Obs e rva c io ne s

0 .10 2 8 4 4 0.134000 12.81600 -11.441 1.922916 -0.341826 9.141944 136.4740 4903.024 1327

0.104734 0.141322 12.81556 -9.73024 2.204351 0.271465 10.29251 27.75448 1282.819 265

0.024354 0.034846 8.328194 -4.532099 1.800243 0.303280 4.465341 6.575470 871.7957 270

0.104958 0.284323 7.545340 -9.876406 1.904023 -1.299489 9.191524 28.44356 978.8320 271

0.043586 0.010471 8.204982 -9.179362 1.933822 -0.562565 7.202750 11.37604 972.3131 261

0 .2 3 9 6 9 5 0.161776 8.427107 -11.44087 1.746279 -0.690332 12.85121 62.32060 789.8180 260

Grfico 8: Histograma por da - Serie 2006-2011

LUNES
100 80 Frequency 60 40 20 0 -12 -9 -6 -3 0 3 6 9 12 15 Frequency 40

MARTES

30

20

10

0 -6 -4 -2 0 2 4 6 8 10

MIERCOLES
50 40 Frequency Frequency 30 20 10 0 -10 -8 -6 -4 -2 0 2 4 6 8 40

JUEVES

30

20

10

0 -10 -8 -6 -4 -2 0 2 4 6 8 10

VIERNES
50 40 Frequency 30 20 10 0 -12 -10 -8 -6 -4 -2 0 2 4 6 8 10

39

Tabla 3: Test de Dickey Fuller aumentado

T e s t D ic k e y F u lle r E s t a d s t ic o - T Va lo r P 1% 5% 10 %

2 0 0 0 -2 0 0 5

2 0 0 6 - 2 0 11

-30.22602 0 -3.434523 -2.86327 -2.567739

-30.08071 0 -3.434523 -2.86327 -2.567739

* Se puede observar que los t-statics son mayores a los valores crticos por lo que se concluye que cada serie es estacionaria (elaboracin propia)

Tabla 4: Resultados del modelo MCO con intercepto

M C O c o n c o ns ta nte C o e fic ie nte Es ta ds tic o -T Lune s C o e fic ie nte Es ta ds tic o -T C o e fic ie nte Es ta ds tic o -T C o e fic ie nte J ue ve s Es ta ds tic o -T C o e fic ie nte Es ta ds tic o -T C o e fic ie nte Es ta ds tic o -T C rite rio de Aka ike C rite rio de S c hwa rz 2000-2005 2006-2011 -0.002 -0.045 -0.023 -0.322 0.048 0.681 0.078 1.095 0 .15 2 ** 2.144 0.240 9.549 2.558 0.002 0.018 0.059 0.361 0.094 0.579 0.026 0.158 0.23 1.402 0.189 6.981 4.116

M i rc o le s

Vie rne s

R T-1

2.580

4.140

40

Tabla 5: Resultados de los modelos GARCH-TARCH-EGARCH

GAR C H 2000-2005 2006-2011 C o e fic ie nte C Es ta ds tic o -T C o e fic ie nte Lune s Es ta ds tic o -T C o e fic ie nte M i rc o le s Es ta ds tic o -T C o e fic ie nte J ue ve s Es ta ds tic o -T C o e fic ie nte Vie rne s Es ta ds tic o -T C o e fic ie nte R T-1 Es ta ds tic o -T -0.005 -0.110 -0.004 -0.060 0.038 0.624 0.101 1.526 0 .17 3 ** 2.849 0.205 7.099 0.024 0.309 0 .2 0 0 * 1.891 0.178 1.629 0.041 0.377 0 . 2 6 4 ** 2.532 0.206 6.558 Va ria nza C o e fic ie nte C Es ta ds tic o -T C o e fic ie nte Lune s Es ta ds tic o -T C o e fic ie nte M i rc o le s Es ta ds tic o -T C o e fic ie nte J ue ve s Es ta ds tic o -T C o e fic ie nte Vie rne s C rite rio de Aka ike Es ta ds tic o -T 0.061 0.764 0.122 0.897 0.133 1.064 0.124 0.955 -0.020 -0.182 2.470 2.441 C rite rio de S c hwa rz 0.217 1.319 0.045 0.176 -0.236 -0.853 0.049 0.216 -0.313 -1.373 3.667 3.717 0.052 0.638 0.131 0.959 0.133 1.044 0.117 0.890 -0.029 -0.273 2.423 2.473 0.210 1.221 0.109 0.397 -0.284 -1.017 0.092 0.399 -0.270 -1.134 3.654 3.708 -0.364** -1.963 0.260 0.935 0.175 0.829 0.032 0.150 -0.073 -0.407 2.431 2.481 -0.292** -2.522 0.308 1.472 -0.113 -0.633 0.142 0.928 -0.226 -1.421 3.649 3.704 TAR C H 2000-2005 -0.013 -0.312 0.001 0.011 0.041 0.677 0.100 1.501 0 .17 6 ** 2.916 0.208 7.094 2006-2011 -0.043 -0.553 0 .2 2 4 ** 2.121 0 .2 13 ** 2.018 0.045 0.410 0 .3 0 3 *** 2.914 0.227 7.569 EGAR C H 2000-2005 2006-2011 -0.036 -0.857 0.044 0.697 0.058 0.921 0 .12 8 ** 1.963 0 .19 5 *** 3.148 0.209 6.806 -0.052 -0.702 0 .2 4 8 ** 2.314 0 .19 0 * 1.863 0.031 0.289 0 .2 8 4 *** 2.849 0.231 7.726

Tabla 6: Resumen de los modelos GARCH-TARCH-EGARCH

2000-2005 C rite rio de Aka ike M CO GAR C H TAR C H EGAR C H 2.558 2 .4 2 4 2 .4 2 3 2.431 C rite rio de S c hwa rz 2.580 2 .4 7 0 2 .4 7 8 2.481 2006-2011 C rite rio de Aka ike 4.116 3.667 3.654 3 .6 4 9 C rite rio de S c hwa rz 4.140 3.717 3.708 3 .7 0 4

41

Tabla 7: Resultados del modelo MCO incluyendo la variable BCR

MCO Lune s C o e fic ie nte Va lo r P C o e fic ie nte M a rte s Va lo r P M i rc o le s C o e fic ie nte Va lo r P J ue ve s C o e fic ie nte Va lo r P B CR C o e fic ie nte Va lo r P Vie rne s C o e fic ie nte Va lo r P R T-1 C rite rio de Aka ike C rite rio de S c hwa rz C o e fic ie nte Va lo r P 0.963 0.046 0.359 0.033 0.564 0 . 2 14 ** 0.040 0 .14 9 *** 0.003 0.241 0.000 2.558 0.985 0.096 0.402 0.070 0.603 -0.108 0.655 0 .2 3 2 ** 0.048 0.188 0.000 4.117 2000-2005 -0.025 0.615 -0.002 2006-2011 0.061 0.599 0.002

2.583

4.145

Tabla 8: Resultados del modelo MCO (BCR-Viernes)

MCO B CR C o e fic ie nte Va lo r P Vie rne s C rite rio de Aka ike C rite rio de S c hwa rz C o e fic ie nte Va lo r P 2000-2005 0 . 19 3 * 0.070 0 .16 6 *** 0.001 2.595 2006-2011 -0.121 0.594 0 .2 3 9 ** 0.030 3.990

2.616

4.013

Tabla 9: Resultados de los modelos GARCH-TARCH-EGARCH

GAR C H TAR C H 2006-2011 0.090 0.605 0.176 0.347 3.744 EGAR C H 2000-2005 0.201 0.055 -0.068 0.574 2.514 2006-2011 -0.135 0.467 0.265 0.193 3.836

2000-2005 2006-2011 2000-2005 C C o e fic ie nte Va lo r P Vie rne s C rite rio de Aka ike C rite rio de S c hwa rz C o e fic ie nte Va lo r P 0.139 0.182 0.022 0.849 2.575 0.094 0.590 0.172 0.360 3.738 0.141 0.187 0.021 0.859 2.580

2.640

3.808

2.655

3.826

2.589

3.918

42

Tabla 10: Resultados de los modelos MCO-GARCH-TARCH-EGARCH para los das extras de crdito
MCO Dia no fe ria do C o e fic ie nte Va lo r P Dia pre fe ria do C o e fic ie nte Va lo r P C o e fic ie nte R T-1 C rite rio de Aka ike C rite rio de S c hwa rz Va lo r P 0 .0 6 1** 0.026 0.191 0.206 0.198 0.000 GAR C H 0 .0 8 2 *** 0.000 0 . 2 11** 0.041 0.205 0.000 TAR C H 0 .0 6 3 *** 0.001 0 .2 0 6 ** 0.045 0.214 0.000 EGAR C H 0 .0 6 1*** 0.001 0 .18 6 ** 0.031 0.218 0.000

3.571 3.577

3.023 3.036

3 .0 18 3 .0 3 3

3.025 3.040

Tabla 11: Resultados de los modelos MCO-GARCH-TARCH-EGARCH para los efectos mensuales
M C O c o n c o ns ta nte 2000-2011 Va ria ble C D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 R T1 C rite rio de Aka ike C rite rio de S c hwa rz C o e fic ie nte Va lo r P 3.994 -1.387 -0.509 -2.184 -2.867 -3.363 -3.844 -2.082 -1.983 - 8 .12 6 ** -1.691 -1.770 0.145 7.342 0.132 0.711 0.892 0.561 0.455 0.379 0.314 0.584 0.604 0.035 0.656 0.643 0.050 GAR C H 2000-2011 C o e fic ie nte 6 . 6 19 *** - 6 .117 *** - 4 .7 7 8 ** - 4 .6 2 2 * - 5 .5 9 9 ** - 8 . 3 17 *** - 5 . 6 9 5 *** -3.183 - 5 .6 7 6 ** - 7 . 9 0 1*** -3.364 -3.680 0.130 7.209 Va lo r P 0.000 0.000 0.049 0.063 0.024 0.000 0.009 0.129 0.022 0.000 0.170 0.146 0.005 TAR C H 2000-2011 C o e fic ie nte 7 . 6 0 8 *** - 6 .7 5 7 *** - 5 .8 4 4 ** - 5 .2 5 9 *** - 6 .8 8 0 *** - 9 .5 16 *** - 6 .2 5 5 *** - 3 .9 8 0 * - 7 .17 6 *** - 9 .0 0 5 *** - 4 .16 8 * - 6 .0 5 1** 0.166759 7.184 Va lo r P 0.000 0.000 0.013 0.008 0.003 0.000 0.000 0.063 0.001 0.000 0.075 0.019 0.000 EGAR C H 2000-2011 C o e fic ie nte 3.443 -1.866 -2.756 -0.621 - 4 .8 18 * - 5 .19 5 ** -3.482 -2.047 -2.781 -3.480 -0.850 -1.979 0.116 7.274 Va lo r P 0.123 0.480 0.401 0.849 0.083 0.056 0.292 0.441 0.492 0.301 0.775 0.484 0.015

7.620

7.787

7.784

7.874

43

Grfico 9: Histograma de los das viernes (enero) en la serie 2000-2005

7 6 5 4 3 2 1 0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5

Series: R Sample 1 26 Observations 26 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.530808 0.669500 2.385000 -1.015000 0.891298 -0.121505 2.406055 0.446144 0.800057

Grfico 10: Histograma de los das viernes (enero) en la serie 2006-2011

7 6 5 4 3 2 1 0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0

Series: R Sample 1 24 Observations 24 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability -0.198500 -0.307000 1.990000 -2.153000 1.143795 0.412137 2.287945 1.186449 0.552543

Grfico 11: ndice de Bonos en soles

1,440 1,400 1,360 1,320 1,280 1,240 1,200 25 50 75 100 125 150
1,680 1,640 1,600 1,560 1,520 1,480 1,440 1,400 1,360 1,320 1,280

Grfico 12: ndice del Bonos en dlares

25

50

75

100

125

150

175

200

225

250

275

300

325

44

Grfico 13: Rendimientos del bono en soles

1.2 0.8 0.4 0.0 -0.4 -0.8 -1.2 -1.6 -2.0 -2.4 25 50 75 100 125 150

Grfico 14: Rendimiento por da

0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0

lunes martes miercoles jueves viernes Retorno global

Grfico 15: Histograma por da ndice de bonos en soles

LUNES
16 12 10 12 8 Frequency 8 Frequency 6 4 4 2 0 -2.0 -1.6 -1.2 -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 0 -.4 -.2 .0 .2 .4 .6 .8

MARTES

MIERCOLES
10 8 Frequency Frequency 6 4 2 0 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 20 16 12 8 4 0 -2.5 -2.0 -1.5

JUEVES

-1.0

-0.5

0.0

0.5

1.0

VIERNES
5 4 Frequency 3 2 1 0 -.4 -.3 -.2 -.1 .0 .1 .2 .3 .4 .5

45

Tabla 12: Estadsticas del ndice de bonos en soles

P R OM EDIO P ro m e dio M e dia na M xim o M inim o De s via c i n Es t. As im e tra C uto rs is S um a S um a C ua dra do s .De s v Obs e rva c io ne s 0 .0 7 5 6 8 0 0.050000 1.120000 -2.12 0.382961 -1.186329 10.87797 12.79000 24.63875 169

LUNES 0.108974 0.090000 1.120000 -1.64 0.493237 -0.61528 5.717417 4.250000 9.244759 39

M AR TES M IER C OLES 0.071316 0.010000 0.700000 -0.28 0.245337 1.045635 3.582022 2.710000 2.227034 38 0.058462 0.040000 0.900000 -0.86 0.352447 -0.032448 3.517435 2.280000 4.720308 39

J UEVES 0.037692 0.050000 0.850000 -2.12 0.453979 -2.471129 14.58506 1.470000 7.831692 39

VIER NES 0 .16 0 0 0 0 0.170000 0.420000 -0.33 0.183712 -1.342028 5.080379 2.080000 0.405000 13

Grfico 16: Rendimientos del bono en soles

2 1 0 -1 -2 -3 -4 25 50 75 100 125 150 175 200 225 250 275 300 325

Grfico 17: Rendimiento por da

.060 .055 .050 .045 .040 .035 .030
ES S S ES ES TE LE EV AR O ED N N IO

PR

46

LU

JU

IE

VI

Grfico 18: Histograma por da ndice de bonos en dlares

LUNES
25 20 Frequenc y Frequenc y 15 10 5 0 -2 .5 -2 .0 -1 .5 -1 .0 -0 .5 0 .0 0 .5 1 .0 1 .5 2 .0 20 16 12 8 4 0 -4 -3 -2 -1 0 1 2

MARTES

MIERCOLES
16 16

JUEVES

12 Frequenc y Frequenc y -1 .2 -0 .8 -0 .4 0 .0 0 .4 0 .8 1 .2 1 .6 2 .0

12

0 -1 .6 -1 .2 -0 .8 -0 .4 0 .0 0 .4 0 .8 1 .2 1 .6

VIER NES
7 6 5 Frequency 4 3 2 1 0 -.6 -.4 -.2 .0 .2 .4 .6 .8

Tabla 13: Estadsticas del ndice de bonos en dlares

P R OM EDIO P ro m e dio M e dia na M xim o M inim o De s via c i n Es t. As im e tra C uto rs is S um a S um a C ua dra do s .De s v Obs e rva c io ne s 0 .0 4 0 5 5 4 0.040000 1.880000 -3.53 0.543502 -1.200835 11.25313 13.18000 95.70790 325

LUNES 0.058684 0.095000 1.880000 -2.41 0.681521 -0.951 6.282560 4.460000 34.83527 76

M AR TES M IER C OLES 0.032222 0.075000 1.570000 -3.53 0.623234 -2.276463 16.59587 2.320000 27.57784 72 0.044474 0.085000 1.670000 -1.07 0.486192 0.361324 4.926122 3.380000 17.72868 76

J UEVES 0.032500 0.020000 1.380000 -1.55 0.448938 -0.842337 7.375009 2.340000 14.30975 72

VIER NES 0 .0 3 4 0 0 0 0.000000 0.590000 -0.41 0.251823 0.506673 3.140670 0.680000 1.204880 20

47

Tabla 14: Test de Dickey Fuller aumentado

T e s t D ic k e y F u lle r E s t a d s t ic o - T Va lo r P 1% 5% 10 %

S o le s

D la re s

-10.53214 0 -3.469451 -2.878618 -2.575954

-14.69795 0 -3.45048 -2.870247 -2.571478

* Se puede observar que los t-statics son mayores a los valores crticos por lo que se concluye que cada serie es estacionaria (elaboracin propia)

Tabla 15: Resultados del modelo MCO con intercepto

M C O c o n c o ns ta nte C C o e fic ie nte Es ta ds tic o -T C o e fic ie nte Es ta ds tic o -T C o e fic ie nte Es ta ds tic o -T C o e fic ie nte Es ta ds tic o -T C o e fic ie nte Es ta ds tic o -T C o e fic ie nte Es ta ds tic o -T S o le s 0.048 0.782 0.050 0.581 -0.003 -0.038 -0.022 -0.254 0.087 0.723 0.197 2.571 0.935 D la re s 0.018 0.287 0.028 0.325 0.020 0.235 0.005 0.060 0.031 0.236 0.196 3.563 1.613

Lune s

M i rc o le s

J ue ve s

Vie rne s

R T-1 C rite rio de Aka ike C rite rio de S c hwa rz

1.046

1.683

48

Tabla 16: Resultados de los modelos GARCH-TARCH-EGARCH

GAR C H S o le s C C o e fic ie nte Es ta ds tic o -T Lune s C o e fic ie nte Es ta ds tic o -T M i rc o le s C o e fic ie nte Es ta ds tic o -T J ue ve s C o e fic ie nte Es ta ds tic o -T Vie rne s C o e fic ie nte Es ta ds tic o -T R T-1 C o e fic ie nte Es ta ds tic o -T C rite rio de Aka ike C rite rio de S c hwa rz 0.038 0.410 0.038 0.424 0.018 0.168 0.024 0.191 0.108 0.744 0.163 1.454 0.726 0.893 D la re s 0.006 0.084 0.021 0.246 0.036 0.363 -0.010 -0.105 0.051 0.226 0.257 2.996 1.554 1.659 TAR C H S o le s 0.032 0.385 0.027 0.321 0.032 0.336 0.016 0.147 0.076 0.414 0.292 2.871 0.686 0.871 D la re s 0.002 0.028 0.022 0.258 0.036 0.372 -0.008 -0.080 0.052 0.227 0.264 3.076 1.559 1.676 EGAR C H S o le s -0.016 -0.233 0.095 1.324 0.083 0.951 0.106 1.015 0.214 1.956 0.197 1.895 0.720 0.886 D la re s 0.023 0.299 0.053 0.564 0.048 0.470 0.007 0.067 0.013 0.055 0.231 3.030 1.581 1.686

Tabla 17: Resumen de los modelos GARCH-TARCH-EGARCH

S o le s C rite rio de Aka ike M CO GAR C H TAR C H EGAR C H 0.935 0.726 0 .6 8 6 0.720 C rite rio de S c hwa rz 1.046 0.893 0 .8 7 1 0.886 D la re s C rite rio de Aka ike 1.613 1.5 5 4 1.559 1.581 C rite rio de S c hwa rz 1.683 1.6 5 9 1.676 1.686

Grfico 19: Tasa interbancaria en USD de 1995-1999 Grfico 20: Tasa interbancaria en USD de 2000-2005
18 16 14 12 10 8

10

2
6 4 250 500 750 1000

0 250 500 750 1000 1250

49

Grfico 21: Tasa interbancaria en USD de 2006-2012

14 12 10 8 6 4 2 0 250 500 750 1000 1250

Grfico 22: Rendimientos de la tasa interbancaria en USD (1995-1999)

80 60 40 20 0 -20 -40 -60 250 500 750 1000

Grfico 23: Rendimiento por da (1995-1999)

.4 .3 .2 .1 .0 -. 1 -. 2 -. 3 -. 4 -. 5

M IE R C O LE S

M A R TE S

V IE R N ES

JU E V ES

LU N ES

50

Grfico 24: Histograma por da (1995-1999)

LUNES
100 80 60 40 20 0 -20 -15 -10 -5 0 5 10 15 20 25 100 80 60 40 20 0 -60 -50 -40 -30 -20 -10 0 10 20

MAR TES

Frequency

MIERCOLES
100 80 60 40 20 0 -20 -10 0 10 20 30 40 50 60 100 80 60 40 20 0 -20 -10 0

Frequency

JUEVES

Frequency

Frequency

10

20

30

40

VIERNES
100 80 60 40 20 0 -50 -40 -30 -20 -10 0 10 20

Tabla 18: Estadsticas de la tasa interbancaria en USD (1995-1999)

Frequency

LUNES P ro m e dio M e dia na M xim o M inim o De s via c i n Es t. As im e tra C uto rs is S um a S um a C ua dra do s .De s v Obs e rva c io ne s 0 .2 9 7 7 6 4 0.000000 24.93000 -19.95 5.071089 0.630516 8.945859 73.25000 6300.405 246

M AR TES M IER C OLES -0.42342 0.000000 19.98000 -50.07 5.378059 -3.7499 35.67661 -104.16 7086.263 246 -0.167927 -0.14 59.69000 -18.61 5.942131 4.150658 45.87409 -41.31 8650.686 246

J UEVES 0.208049 0.050000 37.08000 -19.94 4.414070 1.835014 25.73758 51.18000 4773.583 246

VIER NES -0.096463 0.000000 19.32000 -40.9 5.088930 -2.002112 21.61065 -23.73 6344.816 246

51

Grfico 25: Rendimientos de la tasa interbancaria en USD (2000-2005)

R
.6 .4 .2 .0 -.2 -.4 -.6 -.8 250 500 750 1000 1250

Grfico 26: Rendimiento por da (2000-2005)

1.2

0.8

0.4

0.0

-0.4

-0.8

-1.2

M IE R C O LE S

M A R TE S

VI ER N E S

JU EV E S

LU N ES

52

Tabla 19: Estadsticas de la tasa interbancaria en USD (2000-2005)

LUNES P ro m e dio M e dia na M xim o M inim o De s via c i n Es t. As im e tra C uto rs is S um a S um a C ua dra do s .De s v Obs e rva c io ne s -0.494346 0.000000 49.25000 -57.98 11.95249 -0.187109 10.64056 -139.9 40287.12 283

M AR TES M IER C OLES -0.51601 0.000000 47.00000 -74.47 10.09595 -2.32288 26.14684 -146.03 28743.78 283 -1.064594 0.000000 47.22000 -52.96 9.261289 -1.306606 14.87163 -301.28 24187.56 283

J UEVES 0.833322 0.000000 57.49000 -52.16 9.264948 0.504677 15.69500 235.8300 24206.67 283

VIER NES 0 .9 6 7 3 8 5 0.000000 41.85000 -38.11 8.514070 1.195941 10.60421 273.7700 20442.01 283

Grfico 27: Histograma por da (2000-2006)

LU N ES
160 160

MAR TE S

120 Frequency Frequency -60 -50 -40 -30 -20 -10 0 10 20 30 40 50

120

80

80

40

40

0 -80 -60 -40 -20 0 20 40 60

MIER C OL E S
160 150 125 120 100 Frequency 80 Frequency 75 50 25 0 -60 -50 -40 -30 -20 -10 0 10 20 30 40 50 0 -60 -40 -20

JU E VES

40

20

40

60

VIER N E S
140 120 100 Frequency 80 60 40 20 0 -40 -30 -20 -10 0 10 20 30 40 50

53

Grfico 28: Rendimientos de la tasa interbancaria en USD (2006-2012) R

300 200 100

-100

-200

-300 250 500 750 1000 1250

Grfico 29: Rendimiento por da (2006-2012)

5 4 3 2 1 0 -1 -2 -3
M IE R C O LE S

-4
M A R TE S LU N E S

V IE R N E S

JU E V E S

54

Grfico 30: Histograma por da (2006-2012)

LUNES
200 160 Frequency Frequency 120 80 40 0 -250 -200 -150 -100 -50 0 50 100 150 200 250 160

MARTES

120

80

40

0 -150

-100

-50

50

100

150

200

250

MIERCOLES
200 160 Frequenc y Frequenc y 120 80 40 0 -250 -200 -150 -100 -50 0 50 100 150 200 200 160 120 80 40 0 -300

JUEVES

-200

-100

100

200

300

VIERNES
200 160 Frequency 120 80 40 0 -120 -80 -40 0 40 80 120 160

Tabla 20: Estadsticas de la tasa interbancaria en USD (2006-2012)

LUNES P ro m e dio M e dia na M xim o M inim o De s via c i n Es t. As im e tra C uto rs is S um a S um a C ua dra do s .De s v Obs e rva c io ne s -2.322544 0.000000 202.8100 -216.91 33.16016 -1.182205 19.90624 -666.57 314484.5 287

M AR TES M IER C OLES -3.18708 0.000000 216.9100 -143.51 26.01325 0.665280 25.12192 -914.693 193533.0 287 -0.994843 0.000000 175.9200 -245.67 30.98853 -1.008704 23.62278 -285.52 274642.7 287

J UEVES 2.650906 0.000000 258.1000 -241.59 36.92451 1.511620 24.42663 760.8100 389937.9 287

VIER NES 3 .6 5 8 118 0.000000 152.6100 -90.92 19.35251 1.662077 18.57348 1049.880 107112.6 287

55

Tabla 21: Test de Dickey Fuller aumentado

T e s t D ic k e y F u lle r E s t a d s t ic o - T Va lo r P 1% 5% 10 %

19 9 5 - 19 9 9

2 000-2005

2 0 0 6 - 2 0 12

-29.36022 0 -3.435432 -2.863672 -2.567955

-17.51693 0 -3.434733 -2.863363 -2.567789

-17.18164 0 -3.43463 -2.863318 -2.567765

* Se puede observar que los t-statics son mayores a los valores crticos, por tanto se concluye que cada serie es estacionaria (elaboracin propia)

Tabla 22: Resultados del modelo MCO con intercepto

M C O c o n c o ns ta nte C o e fic ie nte C Es ta ds tic o -T C o e fic ie nte Lune s Es ta ds tic o -T C o e fic ie nte M i rc o le s Es ta ds tic o -T C o e fic ie nte J ue ve s Es ta ds tic o -T C o e fic ie nte Vie rne s Es ta ds tic o -T C o e fic ie nte R T-1 C rite rio de Aka ike C rite rio de S c hwa rz Es ta ds tic o -T 1995-1999 -0.380 -1.157 0.658 1.420 0.119 0.257 0.656 1.416 0.343 0.740 -0.187 -6.681 6.120 6.145 2000-2005 -0.553 -0.993 0.216 0.272 -0.630 -0.793 1.184 1.490 1.6 7 6 ** 2.131 -0.245 -9.567 7.349 7.371 2006-2012 - 3 . 3 6 7 ** -2.101 1.334 0.582 2.396 1.059 5 .7 6 7 *** 2.515 7 .2 2 3 *** 3.152 -0.037 -1.485 9.568 9.589

56

Tabla 23: Resultados de los modelos GARCH-TARCH-EGARCH

GAR C H 19951999 C o e fic ie nte C Es ta ds tic o -T C o e fic ie nte Lune s Es ta ds tic o -T - 0 .4 2 6 * -1.861 0.337 1.044 20002005 -0.057 -0.198 0.385 0.895 -0.321 -0.790 0.647 1.461 0 .8 7 0 ** 2.068 -0.303 -11.437 6.793 20062012 0.166 1.407 -0.148 -0.833 -0.077 -0.487 19951999 -0.425 -1.634 0.340 1.031 0 .6 2 7 *** 2.613 TAR C H 20002005 -0.131 -0.445 0.439 1.028 -0.312 -0.749 0.680 1.533 20062012 0 .2 2 4 ** 2.402 -0.231 -1.425 -0.187 -1.251 19951999 -0.298 -1.432 0.025 0.080 0 .5 3 1*** 2.770 EGAR C H 20002005 0 .0 8 8 * -1.704 1.10 5 ** 2.562 -0.305 -0.675 20062012 0 .3 12 ** 2.244 - 0 .2 6 4 ** -2.036 -0.073 -0.393 - 0 .3 12 ** -2.276

C o e fic ie nte 0 .6 2 8 *** M i rc o le s Es ta ds tic o -T C o e fic ie nte J ue ve s Es ta ds tic o -T C o e fic ie nte Vie rne s Es ta ds tic o -T C o e fic ie nte R T-1 C rite rio de Aka ike C rite rio de S c hwa rz Es ta ds tic o -T 2.737 0 .8 6 1*** 2.753 0.49 1.485 - 0 .0 6 3 * -1.764 5.690

- 0 .3 5 0 *** 0 .8 6 1*** -2.684 -0.188 -1.540 -0.202 0.000 -9.818 2.705 0.492 1.462 -0.064 -1.737 5.691

- 0 .3 9 6 *** 0 .8 3 2 *** 1.13 5 ** -2.893 3.002 2.550

0 .9 0 8 ** - 0 .2 5 9 ** 0 .4 3 9 *** 1.4 0 3 *** - 0 .3 9 5 * 2.149 -0.307 -11.171 6.829 -2.436 -0.159 0.000 7.765 1.771 -0.054 0.034 5.713 3.061 -0.318 0.000 6.848 -1.683 -0.158 0.028 7.804

5.727

6.826

7.786

5.733

6.806

7.799

5.690

6.881

7.834

Tabla 24: Resumen de los modelos GARCH-TARCH-EGARCH

1995-1999 C rite rio de Aka ike M CO GAR C H TAR C H EGAR C H 6.120 5 .6 9 0 5.691 5.713 C rite rio de S c hwa rz 6.145 5 .7 2 7 5.733 5.690 2000-2005 C rite rio de Aka ike 7.349 6 .7 9 3 6.829 6.848 2006-2012 C rite rio de S c hwa rz 9.589 7.816 7 .7 9 9 7.834

C rite rio C rite rio de de S c hwa rz Aka ike 7.371 6 .8 2 6 6.806 6.881 9.568 7.786 7 .7 6 5 7.804

57

Tabla 25: Resultados de los modelos MCO-GARCH-TARCH-EGARCH para los das extras de crdito
1995-1999 MC O C o e fic ie nte Da P re F e ria do Da No F e ria do C rite rio de Aka ike C rite rio de S c hwa rz Va lo r P C o e fic ie nte Va lo r P 0.797 0.392 -0.033 0.842 GAR C H TAR C H EGAR C H M C O 1.060 0.149 0.041 0.808 1.092 0.133 0.075 0.603 1.9 12 ** 0.060 0.140 0.311 1.908 0.258 -0.429 0.172 2000-2005 GAR C H TAR C H EGAR C H 1.933 0.177 -0.524 0.467

2 .8 8 1*** 2 .8 3 9 *** 0.001 -0.044 0.831 0.000 0.140 0.364

6.125

5.710

5.720

5 .6 9 5

7.497

6.968

6 .9 5 5

7.131

6.140

5.750

5.750

5 .7 3 0

7.510

6.995

6 .9 8 6

7.158

2006-2012 MCO Da P re F e ria do Da No F e ria do C rite rio de Aka ike C rite rio de S c hwa rz GAR C H TAR C H EGAR C H 1.7 0 1*** 0.001 0.000 0.995

C o e fic ie nte 13 .8 0 3 *** 1.0 0 0 * 0 .9 7 6 * Va lo r P C o e fic ie nte Va lo r P 0.003 -1.488 0.088 0.091 -0.016 0.732 0.079 -0.030 0.408

9.677

7.913

7 .9 12

8.011

9.689

7.938

7.940

8.040

Grfico 31: Resultados de las encuestas sobre la si el encuestado ha percibido algn efecto anmalo
100% 33% 100% 83% 100% 33%

67%

67%

17%

no Total de Si hay un no No hay un Total de Si hay un no No hay un Total de Si hay un No hay un efecto precisaron encuestas efecto precisaron efecto encuestas efecto precisaron efecto encuestas efecto estacional estacional estacional estacional estacional estacional Renta Variable Renta Fija Mercado de dinero

58

Tabla 26: Resultados de las encuestas sobre la si el encuestado ha percibido algn efecto anmalo
Causas de efectos anmalos Estado de nimo de inversionistas Mercado poco liquido Das extras de crdito Demanda de los bancos por dinero para cubrir las necesidades de sus clientes los fines de semana

Entidad

Casa de Bolsa 1 Casa de Bolsa 2 AFP1 AFP2 Banco 1 Banco 2

x(RV) x(RV) x(RV)

x(RF)

x (MM) x (MM) (RV) x(RV) x(RV) x (MM) x (MM)

* MM: mercado de dinero, RV: renta variable, RF: renta fija.

Grfico 32: Retiro de las ATMs de un Banco en base a un ndice

250.0 193.4

200.0

150.0 99.1 108.9 75.5 114.2

100.0 50.0

0.0 lunes martes miercoles jueves viernes

59