Economía - Análisis Multivariante Diversificación Carteras

Estudios de Economa Aplicada
Asociacin de Economa Aplicada, (ASEPELT)

secretaria.tecnica@revista-eea.net
ISSN (Versin impresa): 1133-3197

ISSN (Versin en lnea): 1697 - 5731
ESPAA
2004
Julio Angel Afonso Rodrguez / Nstor Amadeo Bruno Prez / J. Giner Rubio
UN ANLISIS UNIVARIANTE Y MULTIVARIANTE DE LA DIVERSIFICACIN DE
CARTERAS BAJO HETEROCEDASTICIDAD CONDICIONADA
Estudios de Economa Aplicada, agosto, ao/vol. 22, nmero 002
Asociacin de Economa Aplicada, (ASEPELT)
Madrid, Espaa
pp. 1-25
Red de Revistas Cientficas de Amrica Latina y el Caribe, Espaa y Portugal

Universidad Autnoma del Estado de Mxico
http://redalyc.uaemex.mx
S T U D I O S
D E
C O N O M A
P L I C A D A
V O L . 22 - 2, 2 0 0 4. P G S . 1- 25
Un anlisis univariante y multivariante de la diversificacin

de carteras bajo heterocedasticidad condicionada
AFONSO RODRGUEZ, J. A.(*); BRUNO PREZ, N. A.(**); GINER RUBIO, J.(**)
*
Departamento de Economa de las Instituciones, Estadstica Econmica y Econometra;
**
Departamento de Economa Financiera y Contabilidad. Facultad de CC. Econmicas y
Empresariales. Universidad de La Laguna.
Universidad de La Laguna. 38071 Santa Cruz de Tenerife. Telf.: 922 31 71 02; **E-mail: jginer@ull.es
RESUMEN
El objetivo de este trabajo es estudiar cmo la diversificacin de carteras construidas en base a
principios naive (ingenuos) afecta al riesgo especfico de las mismas en el marco del modelo de mercado
de un solo ndice cuando los trminos de perturbacin del modelo son condicionalmente heterocedsticos.
En base al estudio de la versin univariante de este modelo construiremos una medida del riesgo especfico asociada al grado de diversificacin de la cartera a partir de la estimacin de la varianza condicional heterocedstica, volatilidad. En el marco multivariante, una generalizacin de esta medida permitir
analizar por un lado el efecto de la evolucin temporal de la varianza condicional, y por otro lado la
relacin temporal contempornea, co-volatilidad, existente entre los ttulos de cada cartera particular
considerada en cada etapa del anlisis.
Palabras Clave: Diversificacin, Carteras, Riesgo especfico, Heterocedasticidad Condicional, Correlacin Condicional
Univariate and Multivariate Analysis of The Diversification of Portfolios Under

Conditional Heteroscedasticity
ABSTRACT
In this work we analyse how the diversification of portfolios based on naive principles affects their
specific risks within the framework of a single index market model, where the disturbance term in such
model is conditionally heteroscedastic. Based on an analysis of the univariate version of this model, we
will determine a measurement of the specific risk associated to the degree of diversification of the
portfolio, starting from an estimation of the heteroscedastic conditional variance, volatility. In a multivariate
framework, a generalisation of this measure will permit not only to identify the evolution in time of the
conditional variance, but also the contemporary relation in time, covolatility, existent between the securities
selected to make up each individual portfolio considered in each step of the analysis.
Keywords: Diversification, Portfolios, Specific Risk, Conditional Correlation, Conditional
Heteroscedasticity
Clasificacin JEL: C32, G11
Artculo recibido en octubre de 2004 y aprobado en julio de 2004.
La referencia lectrnica de este artculo en la pgina www.revista-eea.net, es
ISSN 1697-5731 (online) ISSN 1133-3197 (print)
-22212.
J.A. Afonso Rodrguez, N.A. Bruno Prez y J. Giner Rubio
1. INTRODUCCION
La teora de cartera, que iniciaran autores como Markowitz (1952 y 1959), Tobin
(1958), Sharpe (1963, 1964) Lintner (1965), Treynor, (1965) y Mossin (1966), lleva
consigo una serie de principios que se han convertidos en pilares en la economa
financiera, y que se han extendido ms all del mbito investigador al del comn
conocimiento de todos los que nos interesamos por las finanzas.
Uno de los aspectos que ms aceptacin ha recibido se refiere a la existencia de
una relacin inversa entre el riesgo derivado de la inversin en una cartera de n > 0
ttulos y el nmero de ttulos. Dicha relacin se ha comprobado que existe an cuando la estrategia consiste nicamente en incrementar el nmero de ttulos de la cartera
sin fijarse en las caractersticas particulares de rendimiento y riesgo de los mismos.
Desde el punto de vista estadstico la justificacin es bastante simple: la varianza
(como medida del riesgo) de una combinacin lineal de variables aleatorias independientes igualmente ponderadas es inversamente proporcional a la combinacin lineal
de las varianzas de cada variable considerada, en un factor de n-2.
Esta circunstancia es aceptada, tanto para la hiptesis de homocedasticidad en la
perturbacin aleatoria del modelo de mercado como para la hiptesis de independencia o no entre tales trminos de perturbacin cuando el modelo de mercado pretende
explicar el rendimiento generado por una cartera formada por un conjunto particular
de ttulos. Y es aqu donde se nos plantean los dos interrogantes que dan origen a
nuestro trabajo:
a) se observa tal disminucin del riesgo especfico de una cartera naive (ingenua) si
estamos en el caso de heterocedasticidad condicional no constante en las perturbaciones del modelo de mercado al incrementar la diversificacin de la misma?
b) cuando se postula que tales trminos de perturbacin presentan adems relaciones
contemporneas (en el mismo instante del tiempo) que pueden considerarse variables en el tiempo (correlacin contempornea condicional variable), se observa
tambin tal reduccin en el riesgo especfico y en las mismas proporciones que en
el caso anterior?
As, las respuestas a ambas preguntas sern el objetivo que nos planteamos resolver a lo largo de nuestra investigacin. El trabajo se estructura as en cinco apartados.
En primer apartado tratamos histricamente el planteamiento del modelo de mercado
(modelo diagonal de Treynor (1965)), que servir de base para la generalizacin de
los resultados relativos a la medicin del grado de diversificacin de una cartera,
mencionados anteriormente. Esta generalizacin se plantea en el segundo epgrafe
bajo la denominacin de el Modelo de Mercado con Heterocedasticidad Condicional
Dinmica (HCD) y que en el tercer apartado nos permite formular las herramientas
particulares que desarrollamos en este trabajo para tal fin. El apartado cuarto consiste
en una aplicacin de las versiones univariante y multivariante del modelo de mercaEstudios de Economa Aplicada, 2004: 1-25 Vol. 22-2
UN ANLISIS UNIVARIANTE Y MULTIVARIANTE DE LA DIVERSIFICACIN DE CARTERAS ...
do en la formacin de carteras ingenuas y posterior medicin del riesgo especfico a

dos conjuntos de ttulos (de N1 = 90 y N2 = 35 activos) seleccionados aleatoriamente
en el contexto del mercado burstil espaol durante el perodo 2.01.95 a 31.05.00,
con un total de 1357 observaciones para el rendimiento diario de los ttulos considerados y donde utilizamos como proxy de la cartera de mercado el ndice General de la
Bolsa de Madrid (IGBM) observado durante el mismo perodo. El quinto y ltimo
apartado presenta las conclusiones principales de este trabajo y posibles limitaciones
y extensiones.
2. DIVERSIFICACIN DE CARTERAS
Sharpe (1963) para facilitar la aplicacin prctica del modelo de Markowitz (1952,
1959) supone la dependencia estadstica entre la rentabilidad de un ttulo y un ndice
o un grupo de ndices. Esta circunstancia da origen al denominado modelo diagonal,
que Treynor (1965) modifica al tomar como ndice la rentabilidad de la cartera de
mercado Rm,t, con lo que aparece el modelo de mercado, que se expresa de la siguiente forma:
Ri ,t
= i + i Rm,t + i ,t ( i = 1,...,N,t = 1,...,T )
(1)
siendo Ri,t el rendimiento del ttulo i-simo, Rm,t el ndice representativo de la situacin del mercado, i,t la perturbacin aleatoria que se supone de media nula e
incorrelacionada, i es el parmetro que indica la sensibilidad del ttulo con respecto
a la evolucin del mercado, y i parmetro que ndica la parte de rentabilidad del
ttulo que es independiente de Rm,t.
La representacin lineal de la nube de puntos de la rentabilidad de los ttulos con
respecto a la rentabilidad del mercado se denomina lnea caracterstica de un ttulo,
que tendr como pendiente la sensibilidad de la rentabilidad del ttulo respecto al
mercado. (Grfico 1)
Grfico 1
Ri
*
Rm
Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2
El valor de i expresa la pendiente de la lnea caracterstica, tambin mide la

sensibilidad del tipo de la rentabilidad del ttulo en relacin a las variaciones de la
rentabilidad del mercado. Si un ttulo alcanza un valor inferior a 1 en su i se dice que
es un ttulo defensivo (un incremento (reduccin)del 1% en el tipo de rentabilidad
del mercado implica un incremento (reduccin) inferior al 1% en la rentabilidad del
ttulo). Por otra parte un valor superior a 1 en i caracteriza al ttulo como agresivo
(una disminucin (aumento) del 1% en el tipo de rentabilidad del mercado implica un
descenso (aumento) mayor en el tipo de rentabilidad del ttulo). Tenemos as una
definicin precisa para el riesgo sistemtico medido por este coeficiente, es decir:
2
i = Cov(Ri,t, Rm,t)/Var(Rm,t) = Ci,m/ m
(2)
La incertidumbre en el modelo de mercado se debe a que no se conoce con certeza

el valor real de Rm,t y que el grado de divergencia entre el punto real y la lnea caracterstica del ttulo es incierto. A estas dos fuentes de incertidumbre se les suele dar la
denominacin de riesgo sistemtico (por lo tanto, no reducible por la diversificacin), medido por la beta del ttulo, i, y riesgo no sistemtico o especfico, medido por la varianza del trmino de perturbacin, Var(i,t). Si slo fueran factibles los
puntos situados en la lnea caracterstica, el riesgo sistemtico sera la nica fuente
de incertidumbre, este tipo de riesgo lo podemos representar como 2,s = i2 2 donde
i
m
2
m
= Var(Rm,t). En caso de que nos encontrsemos ante el caso de una cartera formada por n N ttulos, la relacin entre riesgo sistemtico y volatilidad es la misma. As
2
tendramos 2 ,s = 2 m . El riesgo no sistemtico se definir, por tanto, como la
n
n
diferencia entre el riesgo total y el sistemtico, es decir i2,0 = 2 i2,s , donde

i
i2
= Var(Ri,t).
Si queremos extender el calculo del riesgo para el modelo de mercado, y si suponemos que los trminos i,t son serialmente independientes
E(i,tj,t-k) = 0 para todo i, j = 1, ..., n, k > 0
(3)
y, adems, se determinan independientemente de la rentabilidad del mercado

E(i,t|Rm,t-k) = 0 para todo k 0
entonces, el modelo de mercado que explicar el rendimiento de una cartera formada
por n ttulos, donde cada ttulo tiene una ponderacin xi, vendr expresada por la
siguiente ecuacin:
n
i =1
i =1
i =1
i =1
R n,t = x i R i ,t = x i i + R m,t x i i + x i i ,t = n + n R m,t + n ,t
(4)
Tenemos as que
E( Rn,t
~
Rn,t
) = n + n E( Rm,t ) + E( n ,t ) = n + n Rm
~
= Rn,t E( Rn,t ) = n ( Rm,t E( Rm,t )) + n ,t = n Rm,t + n ,t
Var ( Rn,t
2
2
) = E( Rn,t ) = n2E( Rm,t ) + E( n2,t ) + 2 n E( n ,t Rm,t )
donde por la estacionariedad del proceso generador de datos del trmino de perturbacin y la ortogonalidad entre ste y Rm,t, se tiene entonces que el riesgo total asociado
a la cartera n-sima viene dado por
2
2 = n2 2 + n,0
n
m
(5.1)
donde
n
n2 = x i x j i j (riesgo sistemtico)
n
i =1 j =1
n n
2
n ,0 = x i x jCov ( i ,t j ,t ) = x i x j ij ,0 (riesgo especfico)
i =1 j =1
i =1 j =1
(5.2)
(5.3)
o bien
n
2
n ,0 = x i2 i2,0
(5.4)
i =1
bajo el supuesto de independencia.

Si se considera una cartera diversificada con la misma proporcin para cada uno
de los ttulos, es decir xi = 1/n para todo i = 1, ..., n, se tiene entonces que el riesgo
especfico de la cartera viene dado en cada caso por
n
n 1 n
ij ,0 1 n i2,0
ij ,0
+2
=
n ( n > 1) (5.3)
n
n
i =1
j =1
i =1 j = i +1
n2,0 = 1
i =1
i2,0
(5.4)
n i =1 n
Por lo tanto, en el caso de una diversificacin por partes iguales, el riesgo especfico representa la n-sima parte del valor medio de las n(n+2) covarianzas distintas,
(5.3), de las perturbaciones aleatorias de los ttulos que componen la cartera. De esta
manera para una cartera compuesta por un nmero infinito de ttulos su incertidumn
n2,0 = 1
2
2
bre se limitar al riesgo sistemtico, que vendr dado por n ,s = n2 m , como aparece en el Grfico 2.
Grfico 2
Riesgo total de
la cartera ( 2 )
n
Riesgo diversificable
( 2 ,0 )
2
n
lim ( n ,0 ) = 0
n
2
2
Riesgo debido al ndice de mercado n ,s = n2 m
Nmero de ttulos de la cartera (n)
Estas aportaciones tericas se ha venido ratificando en la prctica. As en un estudio realizado por Evans (1968), que utiliz 470 ttulos del ndice Standard and Poors
500, para el periodo 1958 a 1967, sobre la base de la formacin de carteras de tamao
creciente, es decir, ni = ni-1 + 1 (n0 = 0) (i = 1, ..., 60), se observa que, a medida que la
diversificacin aumenta, la desviacin tpica del tipo de rentabilidad desciende hasta
alcanzar un nivel que interpreta como la desviacin tpica de la cartera de mercado.
Adems, llega a la conclusin de que con un nmero razonablemente pequeo de
ttulos, se puede alcanzar una diversificacin adecuada. Por ejemplo con 20 ttulos
alcanza una diversificacin de slo un 3 % ms de riesgo que el mnimo.
Por otra parte, un estudio realizado por King (1966) proporciona mayor claridad
sobre la relacin entre las fluctuaciones del mercado y el riesgo de un ttulo. Sobre 63
acciones ordinarias con tipos de rentabilidades mensuales que van desde junio de
1927 a diciembre de 1960, tomando como cartera mercantil la media de los 63 ttulos, obtuvo unos resultados que indican que las fluctuaciones del mercado explicaron
el 52 % de la varianza, mientras que con un grupo de ndices industriales slo alcanz
un 11 %.
Wagner y Lau (1971) demostraron los efectos de la diversificacin trabajando con
una muestra de 200 acciones de NYSE que dividieron en 6 subgrupos con calidades
semejantes segn las evaluaciones de Standandar and Poors del mes de junio de
1960. Posteriormente, construyeron carteras a partir de cada uno de los subgrupos,
empleando de 1 a 20 valores aleatoriamente seleccionados, y mediante la atribucin
de pesos iguales a cada valor.
A medida que aument el nmero de valores dentro de la cartera, la desviacin
estndar de los rendimientos de la misma disminuy, pero a una tasa decreciente, ya
que las reducciones de riesgo fueron relativamente ms pequeas despus de que se

incluyeran aproximadamente 10 valores en la cartera. Adems, a medida que se fue
aumentando el nmero de ttulos la correlacin con el mercado fue aproximndose a
la unidad. Entre las conclusiones a las que llegaron Wagner y Lau (1971) est que
an las carteras bien diversificadas poseen algn nivel de riesgo que no puede ser
diversificado, tal como habamos mostrado en el grfico 2.
Para el caso espaol Gmez-Bezares, Madariaga y Santibaes (1994 y 1999), al
considerar que con 20 ttulos tomados al azar el riesgo diversificable puede ser eliminado, deciden comprobarlo en el mercado burstil espaol; para ello construyen carteras aleatorias formadas por dos, tres, cuatro hasta llegar a treinta y nueve valores,
calculando en cada uno de ellos el riesgo total que aportaran a su propietario. GmezBezares, Madariaga y Santibaes (1994 y 1999) en un paso posterior, calculan los
promedios del riesgo asociado a cada una de estas carteras mencionadas, comparando este promedio con el riesgo de la cartera de mercado no ponderada, al que consideran como riesgo sistemtico, consiguiendo decrementos significativos desde carteras de 10 ttulos, a partir de los cuales, la ganancia obtenida es mnima.
3. EL MODELO DE MERCADO CON HETEROCEDASTICIDAD CONDICIONAL DINMICA (HCD)

En este trabajo, nuestro objetivo se centrar, a diferencia de lo expuesto anteriormente, en la distribucin condicional del proceso que describe el rendimiento del
ttulo (o cartera) i-simo (n-sima) explicado por el modelo de mercado, ecuacin
(1),dado el conjunto de informacin muestral formado por los valores histricos de
las series (Rm,t, i,t). Formalmente, sea Rim,t el vector bidimensional de observaciones
temporales de los procesos (Ri,t, Rm,t) y im,t-1 el vector unidimensional formado por
el conjunto de observaciones muestrales
im,t-1 = {Rm,t-k; i,t-k: k > 0}
Se tiene entonces que, bajo el supuesto de normalidad bivariante condicionada,
Rim,t|im,t-1 ~ N2(im,t, Sim,t)
donde
im,t = E(Rim,t|im,t-1) = Et-1(Rim,t)
hi ,t
Sim,t = Var(Rim,t|Wim,t-1) = Vart-1(Rim,t) = h
mi ,t
him,t
hm,t
Haciendo uso entonces del resultado conocido de que bajo normalidad multivariante
condicionada, cada componente del vector aleatorio Rim,t se distribuye condicionalmente normal univariante
Ri,t|im,t-1 ~ N(i,t, hi,t)
Rm,t|im,t-1 ~ N(m,t, hm,t)
y que la distribucin de una de las componentes del vector aleatorio condicionalmente Gaussiano condicionada a las observaciones de cualquier otra de las componentes
tambin es condicionalmente normal, tenemos entonces que
hi ,t
2
,hi ,t (1 im,t )
(Ri,t\Rm,t = rm,t)|im,t-1 ~ N i ,t + (rm,t m,t ) im,t
hm,t
es decir,
2 hm,t
(Ri,t\Rm,t = rm,t)|im,t-1 ~ N i ,t + i ,t Rm,t , hi ,t 1 i ,t
hi ,t

lo que nos permite especificar la siguiente versin modificada del Modelo de Mercado Condicional,
Ri,t = i,t + i,tRm,t + i,t
(6)
i,t = Covt-1(Ri,t, Rm,t)/Vart-1(Rm,t) = him,t/hm,t
(7)
donde
Si mantenemos el supuesto de exogeneidad entre el trmino de perturbacin, i,t,
y Rm,t, entonces podemos realizar el siguiente supuesto simplificador
i,t|im,t-1 ~ N(0, hi,t)
(8.1)
donde la funcin de varianza condicional variable en el tiempo (dinmica)

hi,t = Vart-1(Ri,t|Rm,t) = Vart-1(i,t)
(8.2)
se identifica habitualmente con el trmino volatilidad, pero que en el presente contexto denominaremos ms genricamente funcin de Heterocedasticidad Condicional Dinmica (HCD). El trabajar con un modelo de regresin como (6) donde la
perturbacin presenta una variabilidad no constante en sus momentos de segundo
orden no plantea ninguna restriccin seria para nuestro principal objetivo, que proporcionar una medida del riesgo especfico, si consideramos la aplicacin de la Ley
de Expectativas Iteradas, de forma que la varianza de la distribucin incondicional
2
del trmino de perturbacin del modelo i-simo viene dada por hi,0 = E[Et-1( i,t )] =
E[hi,t] < , donde la existencia de este momento depender nicamente de la

parametrizacin particular que se adopte para la funcin hi,t, y del cumplimiento de
ciertas restricciones impuestas sobre los coeficientes de la misma para asegurar la
estacionariedad de segundo orden del proceso i,t.
Para obtener el modelo que finalmente ser objeto de tratamiento en este trabajo
tenemos que realizar un ltimo supuesto simplificador en (6) que se refiere a la presencia de coeficientes posiblemente aleatorios. De forma genrica, tenemos entonces
la siguiente especificacin del modelo de mercado objeto de anlisis:
Ri,t = i + iRm,t + i,t
i,t = Zi,t,
(6)
Zi,t ~ i.i.d.N(0, 1) e independiente de i,t
hi ,t
(9)
donde la funcin de varianza condicional viene determinada por una parametrizacin

tipo (G)ARCH debida inicialmente a Engle (1982) y Bollerslev (1986), de la forma
GARCH(pi, qi):
pi
qi
u =1
hi ,t
v =1
= i ,0 + i ,u i2,t u + i ,v hi ,t v
(10)
o, alternativamente, como
qi
pi
1
v
i ,v L hi ,t = i ,0 + i ,u Lu i2,t u qi (L)hi ,t = i ,0 + pi (L ) i2,t
v =1
u =1
donde i,0 > 0, i,u 0 (u = 1, ..., pi - 1) i,pi > 0, i,v 0 (v = 1, ..., qi 0) son
condiciones necesarias para asegurar la positividad de la funcin de varianza condi-
cional, y 0 < 1 +
pi
(1) q (1)} < 1 es la condicin necesaria para la

i
estacionariedad dbil de la distribucin condicional del proceso i,t. As, si en (10)

i,v = 0 (v = 1, ..., qi) entonces se tiene el proceso ARCH(pi) estndar de Engle (1982).
Bajo estas condiciones, tenemos entonces que
i ,0 1
hi,0 = Var[i,t] =
i ,u
u =1
Mi
i ,u + i ,u 1 u mi = min( pi ,q i )
i ,u
m i = q i < u pi
donde i ,u =
i ,u
mi = pi < u qi
0
u > M i = max ( pi , qi )
10
Muchas otras parametrizaciones son posibles, entre otras aqullas que incorporan
la posibilidad de respuestas asimtricas de la funcin de varianza condicional al signo de las perturbaciones y no nicamente al tamao (como por ejemplo el modelo
GARCH Exponencial EGARCH - de Nelson (1991), o el modelo ARCH Threshold
TARCH de Glosten et.al (1993) y Rabemananjara y Zakoian (1993)). Para una
revisin ms extensa de la especificacin, propiedades, estimacin y aplicaciones de
modelos de HCD tipo ARCH pueden consultarse los trabajos de Bollerslev, et al
(1992) y Diebold y Lopez (1995).
Sin embargo, este modelo permite capturar dos de los aspectos empricos ms
relevantes de las series temporales econmicas observadas en frecuencias elevadas,
que son el exceso de curtosis incondicional
i =
E ( 4,t )
i
[E ( )]
2
i ,t
= 3 + 3
Var ( hi ,t )
3
hi ,0
bajo el supuesto de normalidad condicional dado en (9), y el fenmeno de la agrupacin de volatilidad, es decir, el hecho de que perodos de alta (baja) volatilidad
suelen ser seguidos igualmente por perodos de alta (baja) volatilidad. As, tenemos que, en el modelo GARCH(pi,qi)
pi
(hi,t - hi,0) =
u =1
i ,u
qi
2
i ,t u
hi ,0 ) + i ,v ( hi ,t v hi ,0 )
v =1
de forma que si el instante t se observa una dispersin superior al promedio, ste

episodio voltil vendr explicado por la observacin de este mismo fenmeno en la
historia de la serie. Por otro lado, la especificacin del modelo de mercado con coeficientes constantes y perturbaciones condicionalmente heterocedsticas, (6), frente
al modelo (6), podra justificarse inicialmente por la extrecha relacin que existe
entre los modelos de coeficientes aleatorios y los modelos con HCD, como puede
verse, entre otros, en Wolff (1988), Bera y Lee (1993) y Bera y Higgins (1995)1.
Como paso previo al anlisis de la estimacin del riesgo especfico en carteras si1. Sobre la base del modelo inicialmente derivado, ecuacin (6) hemos aplicado una serie de
(6),
procedimientos habituales en la literatura economtrica para tratar de determinar a priori la posibilidad de incorporar la aleatoriedad en los coeficientes del modelo de mercado, como son los
contrastes basados en residuos recursivos MCO CUSUM y CUSUMQ, de Brown et.al (1975) y el
contraste de Fluctuaciones de Ploberger et.al (1989), cuyos resultados pueden solicitarse a los
autores. Afonso Rodrguez, J., N. Bruno P y J. Giner (2000).- Utilizacin de los Contrastes CUSUM.
CUSUMQ y del Contraste de Fluctuaciones en el Modelo de Mercado. Manuscrito sin publicar.
11
guiendo la metodologa propuesta, realizamos una serie de precontrastes de la hip

tesis de HCD sobre los residuos mnimo cuadrticos, e = R - R mco , de la estimai,t
i,t
i ,t
cin del modelo de mercado (6). Un resumen de los resultados de los contrastes
aplicados y su descripcin puede verse en el Anexo 1. De forma genrica, podemos
afirmar que existen suficientes evidencias muestrales como para aceptar la validez de
tal propuesta. En particular, hemos aplicado alguno de los procedimientos de contraste ms habituales para detectar perturbaciones con efectos HCD. El primero de
los contrastes, por su grado de generalidad, es el test de significacin individual nula
de los coeficientes de bicorrelaciones de Hsieh (1989) de orden J, K = 1, ..., 10, B(J,
K) = E(tt-Jt-K), que equivale a contrastar la hiptesis nula de dependencia no lineal multiplicativa (HCD) frente a la alternativa de dependencia no lineal aditiva
(bilinealidad, MA no lineal, ...). Como puede comprobarse en la Tabla 2 de dicho
anexo, para la gran mayora de ttulos el nmero de coeficientes significativos para
una combinacin dada de retardos (J, K) resulta ser inferior a 10 de los 100 considerados para cada serie, indicando bastante claramente la existencia de errores condicionalmente heterocedsticos. En segundo lugar (Tabla 1 del anexo 1), se aplica el
contraste no paramtrico basado en el principio de la Razn de Verosimilitudes de
Gregory (1989) a partir de una cadena de Markov de orden r = 1 y s = 2 estados para
detectar errores ARCH(1). Para el total de ttulos considerados se rechaza la hiptesis
nula de ausencia de efectos ARCH cuando se consideran dos estados de alta y baja
volatilidad. Finalmente, aplicamos el test LM para detectar errores ARCH(p) de Engle
(1982) considerando p = 1, ..., 10. Para la casi totalidad de series de rentabilidades
consideradas se rechaza la hiptesis nula que establece nuevamente la ausencia de
errores ARCH para cada uno de los retardos considerados. Los casos donde se acepta
la hiptesis nula podran deberse a la existencia de algunas observaciones anmalas
o bien a que el mecanismo HCD es ms general que el considerado puesto que dicho
contraste no permite distinguir entre una alternativa ARCH(p) o GARCH(p,q). As,
en general, podemos concluir que existe evidencia muestral suficiente como para
considerar que las series seleccionadas para el anlisis emprico presentan
heterocedasticidad condicional.
4. FORMACIN DE CARTERAS INGENUAS, RIESGO ESPECFICO Y HCD

Nuestro objetivo fundamental es derivar y estimar una medida apropiada de la
diversificacin de una cartera arbitraria asociada con el comportamiento dinmico de
la variabilidad del trmino de perturbacin del modelo de mercado que trata de explicar la rentabilidad de la misma. Es decir, sobre la base de un conjunto de N > 0 ttulos
seleccionados aleatoriamente, formamos carteras sucesivas de ni = ni-1 + 1 ttulos
(i = 1, ..., N, n0 = 0) y obtenemos el rendimiento diario de la misma de la forma
12
Rni ,t =
ni1
ni
j ,t
. Si consideramos ahora que a nivel desagregado, el rendimiento
j =1
del ttulo j-simo de la muestra satisface la especificacin dada por las ecuaciones
(6), (9) y (10), tenemos entonces que el rendimiento de la cartera ni-sima puede
explicarse a partir de
Rni ,t
1
=
ni
ni
+ j Rm,t + j ,t ) = n
+ ni Rm,t
+ n ,t
i
(11)
j =1
donde realizamos dos supuestos distintos acerca del comportamiento del trmino de
perturbacin de (11). El primero consiste en considerar que la agregacin contempornea de ni trminos, cada uno de los cuales satisface un proceso GARCH(pi, qi) dado
n ,t , que satisface tambin un determinado
por (9) y (10), resulta en un proceso,
esquema HCD. Es decir, proponemos en primer lugar emplear el siguiente modelo:

R ni ,t = ni + ni R m,t
n ,t
i
2
ni ,t
+ n ,t
i
n ,t n2 ,t
i
= ni ,0 +
(1 ni N; t = 1,...,T )
n ,t
i
~ i.i.d.N(0, 1)
qn
pn
i
n ,u
i
u =1
2
n i , t u
n i ,v
2
n ,t v
i
(12.1)
(12.2)
(12.3)
v =1
donde los ordenes (pni, qni) y los coeficientes de la ecuacin para la varianza condicional (12.3) vendrn determinados implcitamente por las caractersticas
distribucionales de los microtrminos agregados2. Adems, tenemos que a partir de
(12.3), la varianza incondicional (indicador del riesgo especfico de la cartera nisima) vendra dada por
n2 ,0
i
max(pni ,qni )
2
ni ,u
= E ( ni ,t ) = ni ,0 1
u =1
(13)
En el Anexo 2 proponemos un intento de determinar unas cotas bilaterales para la

magnitud de esta varianza relacionada con los parmetros de (12.3) y la verdadera
varianza incondicional del trmino de perturbacin en (11).
2. Un tratamiento analtico detallado del problema de la agregacin contempornea de proceso

GARCH puede consultarse en Nijman, T. y E. Sentana (1996) y en Zaffaroni, P (2000).
.
13
Frente a esta modelizacin proponemos obtener una medida generalizada del riesgo especfico de la cartera que tenga en cuenta las caractersticas particulares de los
procesos generadores de las perturbaciones en (11). Para ello generalizamos en primer lugar el supuesto dado en (3), permitiendo la existencia de covariaciones condicionales contemporneas entre tales trminos
Et-1(j,tk,t-r) = hjk,t para todo j, k = 1, ..., ni r = 0
= 0 para todo j, k = 1, ..., ni, r > 0
(14)
de forma que para una cartera formada por ni ttulos, construmos el vector aleatorio
Eni,t = (1,t, ..., ni,t) Mni1 (t = 1, ..., T) de forma que
Et-1( E ni ,t E ni ,t ) = Hni,t = (hjk,t)j,k=1,...,ni Mnini
(15)
es la matriz que recoge las ni(ni+1)/2 varianzas y covarianzas condicionales variables

que permiten obtener de forma simple la varianza incondicional de la perturbacin
n ,t en (11), como
i
Vni ,0
1
= Var ( ni ,t ) = 2
ni
ni
E(h
jk ,t
)=
j ,k =1
1
1
i E(H ni ,t )i ni = 2 i ni H ni ,0 i ni
2 ni
ni
ni
(16)
donde ini es un vector columna ni 1 de unos. Dada la normalidad condicional, la

estimacin mximo verosmil no planteara demasiados problemas de no ser por el
hecho del elevado nmero de parmetros a estimar de los que depende la matriz Hni,t.
Para un estudio de distintas parametrizaciones (G)ARCH Multivariantes pueden
consultarse, entre otros, Bollerslev, et al. (1988), Bollerslev (1990), Gourieroux (1992),
Engle y Kroner (1993) y Hansson y Hrdahl (1998). Sin embargo, an cuando se han
propuesto diversas alternativas para la representacin de Hni,t, stas adolecen de falta
de parsimonia, lo que complica la obtencin de buenas estimaciones cuando la
dimensin (ni) es relativamente alta. Dado que en nuestro caso, el nmero de ttulos
disponibles es elevado, hemos considerado como posibles dos recientes alternativas,
el modelo GARCH Multivariante de Correlaciones Condicionales Dinmicas
(DCCGARCH) de Engle (2000) y el modelo GARCH Multivariante Ortogonal
(OGARCH) de Alexander (2000), que no requieren ms que la estimacin de modelos GARCH univariantes para obtener una estimacin de dicha matriz de covarianzas
condicionales y, por tanto, de (16).
Bajos los supuestos dados en (9) y (14), Engle (2000) propone descomponer la
matriz Hni,t de la forma
H ni ,t = Dni ,t Cni ,t Dni ,t

(17)
14
donde Dni ,t = diag { h j ,t } j =1,...,ni y Cni ,t = { jk ,t } j ,k =1,...,ni , puesto que el coeficiente

de correlacin condicional contempornea entre las perturbaciones j y k-sima, viene
dado por
jk,t = Corrt-1(j,t, k,t) = (hj,thk,t)-1/2Et-1(j,tk,t) = Et-1(Zj,tZk,t)
(18)
Bajo la descomposicin dada en (17) y el supuesto de normalidad condicional, la

funcin de log-verosimilitud del proceso ni-dimensional Eni,T=(Eni,t)t=1,...,T viene dada
aproximadamente por
T
LT -
ln | Dn ,t |
i
t =1
1
2
(ln | C
T
t =1
n i ,t
| + Z ni ,t Cn 1,t Z ni ,t
i
de forma que propone implementar un procedimiento de estimacin en dos etapas.

En la primera etapa se propone estimar los parmetros de Dni ,t y obtener las perturbaciones GARCH estandarizadas, Zj,t y, a partir de estas estimar los parmetros relevantes de Cni ,t a partir de la verosimilitud. Para ello basta nicamente con postular
un esquema explicativo de las funciones de correlacin condicional jk,t. Un esquema
plausible para tales funciones es una generalizacin del modelo GARCH, de la forma
p jk
q jk
u =1
v =1
jk ,t = jk ,0 + jk ,u (Z j ,t u Zk ,t u ) + jk ,v jk ,t v
(19)
As, si Dni ,t se estima consistentemente en la primera etapa, la estimacin de los

parmetros en Cni ,t ser consistente, aunque posiblemente se producir una perdida
de eficiencia relativa, incluso asintticamente, en relacin con la estimacin conjunta de todos los parmetros relevantes en LT.
Alexander (2000) propone el denominado modelo GARCH Ortogonal (OGARCH)
que consiste simplemente en construir combinaciones lineales incondicionalmente
incorrelacionadas de las series originales aplicando el mtodo de los componentes
principales, y as construir la matriz de covarianzas condicionales mediante la estimacin de modelos GARCH univariantes a partir de tales combinales. De forma ms
particular, sean T,j = (j,1, ..., j,T) MT1 (j = 1, ..., ni) e YT,ni = (T,1, ..., T,ni) MTni,
donde E(T,j) = j, E( T , j T , j ) = j = (Sts,j)t,s=1,...,T con Stt,j = S 2 y XT,ni la matriz
j
15
formada por los ni vectores aleatorios T,j = (T,j - j)/Sj, de forma que bajo el supuesto
de estacionariedad dbil, E(T,j) = 0j y E( T , j , j ) = j = (ts,j)t,s=1,...,T, tt,j = 1.
T
Sea entonces Wni,ni la matriz de autovectores wni,j (j = 1, ..., ni) de la matriz cuadrada
( X T ,ni X T ,ni ) = 1 t , j t ,k
M n i n i
T
T t =1
j ,k =1,...,n
de forma que T 1( X T ,ni X T ,ni )W ni ,ni = W ni ,ni ni ,ni , donde ni,ni es la matriz diagonal
de autovalores de T 1( X T ,ni X T ,ni ) , ni,ni = diag{j}j=1,...,ni. Se tiene as que el vector
columna j-simo de la matriz Wni,ni (wni,j) se corresponde con el j-simo autovalor. Si

se reordenan entonces los autovalores de mayor a menor valor, es decir, se define la
matriz diagonal L (ni,ni) = diag{(j)}j=1,...,ni donde (j)> (j+1) (j = 1, ..., ni-1) y,
correspondientemente, se puede definir la matriz de autovectores ordenados W(ni,ni) =
(wni(j))j=1,...,ni, de forma que el autovector j-simo de la matriz ordenada de autovectores
se corresponde con el j-simo autovalor de (ni,ni).
As, estos autovectores ordenados permiten definir el j-simo componente principal del sistema como
ni
p(j) =
w
k =1
k ,(j)
T , j MT 1
(j = 1, ..., ni)
(20)
donde wk,(j) es el elemento k-simo del j-simo autovector ordenado, o bien, en notacin matricial, p(j) = XT,niwni(j). As, cada componente principal es una serie temporal
de combinaciones lineales de las variables en XT,ni. Si stos se disponen como las
columnas de una matriz PT(ni) de componentes principales, se tiene que PT(ni) =
XT,niW(ni,ni), donde puede comprobarse que este procedimiento produce componentes incorrelacionadas (ortogonales) dado que
PT ( ni )PT ( ni ) = W(ni ,ni )( X T,ni X T,ni )W( ni ,ni ) = TW(ni ,ni )W(ni ,ni ) ( ni ,ni )W(ni ,ni )W( ni ,ni )
= TW(ni ,ni )W( ni ,ni ) ( ni ,ni ) = T ( ni ,ni )
que es una matriz diagonal, de forma que las columnas de PT(ni) estn incorrelacionada.
1
Adems, puesto que W(ni ,ni ) = W( ni ,ni ) tenemos que
ni
XT,ni= PT(ni) W(ni ,ni ) =
p
j =1
(j)w n i (j)
(21)
16
ni
de forma que
T , j = p(k)w k(j) = PT(ni)wni(j) y T,j = j +SjT,j = j +SjPT(ni)wni(j) = j
k =1
+ PT(ni) w * i (j) . As, cada vector de datos estandarizado,

n
T , j , es una combinacin
lineal de las ni componentes principales del sistema. La proporcin de la variacin

total el XT,ni explicada por el j-simo componente principal es (j)/k=1,ni(k). Sea Sni,ni
= diag{Sj}j=1,...,ni. A partir del anlisis anterior, se tiene entonces una representacin
alternativa para YT,ni dada por
*
YT,ni = Yni,ni + XT,niSni,ni = Yni,ni + PT(ni) W(ni ,ni ) Sni,ni = Yni,ni + PT(ni) W(ni ,ni )
*
*
de forma que E(Yt,ni) = Yni y Vni,t = Vart-1[Yt,ni] = W(ni ,ni ) Et-1( Pt( ni ) Pt ( ni ) ) W(ni ,ni ) ,
*
*
Vni,t = W(ni ,ni ) Dt ( ni ) W(ni ,ni )
(22)
donde Dt ( ni ) = Et-1( Pt( ni ) Pt ( ni ) ) es la matriz diagonal de varianzas condicionales,

h(j),t (j = 1, ..., ni) del j-simo componente principal. As, tenemos que
*
*
*
*
Vni,0 = E(Vni,t) = W(ni ,ni ) E( Dt ( ni ) ) W(ni ,ni ) = W(ni ,ni ) D0( ni ) W(ni ,ni )
(23)
5. APLICACIN
Para implementar los procedimientos de estimacin propuestos del riesgo especfico asociado a una cartera ingenua en presencia de perturbaciones condicionalmente
heterocedsticas en el modelo de mercado, disponemos de dos conjuntos de ttulos
de tamao Nc (c=1, 2) ttulos (90 y 35 respectivamente) seleccionados aleatoriamente
para el mercado burstil espaol durante el perodo 2.01.95 a 31.05.00, con un total
de 1357 observaciones para el rendimiento diario del ttulo j-simo, calculado como
Rj,t = (Pj,t - Pj,t-1)/Pj,t-1, as como para la proxy que hemos elegido para la cartera
representativa de la evolucin del mercado, Rm,t (IGBM). Dado que la validez de los
resultados asociados a cada procedimiento propuesto depende bsicamente de la correcta especificacin de la ecuacin para la varianza condicional y como hemos indicado anteriormente (y puede verse en el Anexo 1) no es posible contrastar directamente la hiptesis de efectos GARCH(p, q) en dicha ecuacin, hemos aplicado una
modificacin del contraste que propone Bollerslev (1986) para contrastar la hiptesis nula de perturbaciones condicionalmente ARCH(p) frente a la alternativa de efectos GARCH(r, q) donde r > 0 y p q, justificando la utilizacin de dicha modelizacin.
17
As, en el Anexo 3 derivamos analticamente una expresin que recoge el efecto de

un error de especificacin de este tipo sobre la magnitud del riesgo especfico estimado y presentamos los resultados de dicho contraste para la hiptesis ARCH(p) frente
a la alternativa GARCH(r, 1) (r > 0).
El procedimiento empleado ha sido utilizar los primeros 90 ttulos para estimar el
riesgo especfico a partir de las ecuaciones (12.1)-(12.3) y (13) ajustando un proceso
GARCH(1,1) a las perturbaciones del modelo de mercado con datos agregados (versin univariante) y los 35 ttulos restantes para implementar la metodologa propuesta basada en los modelos GARCH multivariantes DCCGARCH, ecuaciones (12.1)(12.3), (16) y (17) y OGARCH, ecuaciones (6), (16) y (23) (versin multivariante).
De forma ms particular, en este ltimo caso hemos seguido el siguiente procedimiento para estimar el riesgo especfico de la cartera ni-sima. Sea VN,0(m) MNN, m
= 1, 2, la matriz de varianzas-covarianzas incondicionales calculadas para los N ttulos de la cartera final, donde m = 1 hace referencia a que sta se ha calculado empleando la especificacin DCCGARCH Multivariante de Engle (2000), mientras que
m = 2 se ha evaluado a partir del modelo OGARCH multivariante de Alexander (2000).
Tenemos entonces que la varianza incondicional del trmino de perturbacin en el
modelo de mercado ajustado al rendimiento de la cartera formada por los primeros ni
(
N ttulos de la muestra puede calcularse como Vni ,0 (m ) = ni2 ( i N( ni ) VN,0(m) i Nni ) ),
(
donde i Nni ) = (1, 1, ..., 1, 0, ..., 0) MN1 es un vector columna de unos hasta la
posicin ni-sima y ceros en el resto de posiciones. Alternativamente, podra calcularse una versin restringida de esta varianza generalizada, es decir, sin tener en cuenta
las correlaciones contemporneas incondicionales, incluyendo nicamente los ele-
mentos diagonales de la matriz V N,0 (m). As, tendramos que Vn*i ,0 (m ) =
ni2
j =1,ni
(iN( j )VN,0 (m)i Nj ) ) , donde
(
i Nj ) = (0, 0, ..., 1, 0, ..., 0) MN1 es un
vector columna de ceros, salvo el que ocupa la posicin j-sima que es igual a uno.
Los resultados cada una de estas estrategias se recoge de forma resumida en los
grficos 3-5, donde se representa el perfil del riesgo especfico estimado.
18
Grfico 3. Perfil del Riesgo Especfico. Caso Univariante GARCH(1,1)

0.0004
0.00035
0.0003
0.00025
0.0002
0.00015
0.0001
0.00005
0
1
13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89
( [
ni ,0 = ni ,0 1 ni ,1 + ni ,1
])
2
S ni ,T = T 1
2
n i ,t
31
33
t =1
Grfico 4. Perfil del Riesgo Especfico

Caso Multivariante. Modelo DCCGARCH(1, 1)
3.00E-04
2.75E-04
2.50E-04
2.25E-04
2.00E-04
1.75E-04
1.50E-04
1.25E-04
1.00E-04
7.50E-05
5.00E-05
2.50E-05
0.00E+00
9
11
13
15
17
Vn*i ,0 ( m )
19
Vni ,0 ( m )
21
23
25
27
29
35
( V ni ,0 (m) - Vn*i ,0 ( m ) ) (m = 1)
19

Grfico 5. Perfil del Riesgo Especfico
Caso Multivariante. Modelo OGARCH(1, 1)
5.00E-04
4.50E-04
4.00E-04
3.50E-04
3.00E-04
2.50E-04
2.00E-04
1.50E-04
1.00E-04
5.00E-05
0.00E+00
Vni ,0 ( m )
11
13
15
Vn*i ,0 ( m )
17
19
21
23
25
27
29
31
33
35
( V ni ,0 (m) - Vn*i ,0 ( m ) ) (m = 1)
6. CONCLUSIONES
La principal conclusin de este trabajo puede sintetizarse en el hecho de que, a
partir de la propuesta univariante GARCH(1, 1), es posible observar que la consideracin de esta extensin del modelo de mercado produce los efectos esperados sobre
el grado de diversificacin de una cartera ingenua medida por la varianza incondicional de dicho proceso. Por otro lado, la inclusin de la magnitud de la correlacin
contempornea entre los ttulos de la cartera ingenua en el clculo de una medida
representativa del grado de diversificacin de la misma genera un perfil para el riesgo sistemtico decreciente en funcin del nmero de ttulos considerado. Sin embargo, este perfil es distinto segn el mtodo de factorizacin de la matriz de covarianzas
condicionales, Hni,t, y del mtodo de estimacin de los parmetros que la caracterizan. En el caso del modelo multivariante DCCGARCH, el nivel asinttico de la
diversificacin (510-5) es aproximadamente el doble del nivel que se alcanza con el
modelo OGARCH, tanto si se incluyen o no los elementos fuera de la diagonal de la
matriz de covarianzas incondicionales.
20
ANEXO 1. CONTRASTES DE HCD SOBRE LOS RESIDUOS MCO DE LA

ESTIMACIN DEL MODELO DE MERCADO (6)
El primer contraste que hemos aplicado es la versin de regresin del contraste
LM para ARCH(p 1) de Engle (1982), basado en una autorregresin de orden p de
2
los residuos MCO cuadrticos3. El estadstico, LM(p), se construye como T Rp y
bajo la hiptesis nula de homocedasticidad condicional se distribuye como 2(p). El

segundo contraste es una versin no paramtrica de este contraste desarrollada por
Gregory (1989), basada en una reformulacin del proceso generador de los residuos
cuadrticos como una cadena de Markov de orden r y nmero de estados s, aplicando
el principio de contrastacin de la razn de verosimilitudes aproximada. El estadstico de contraste para el caso de una cadena de Markov de primer orden con dos estados (s = 2) se distribuye como 2(1) bajo la hiptesis nula de independencia entre
( ei2 , ei2t k ).
,t
,
El tercer procedimiento de contraste es el contraste de significacin individual del
coeficiente de bicorrelacin de orden (J, K > 0), basado en la funcin de bicovarianzas
de Hsieh (1989), Bi(J, K) = E(i,ti,t-Ji,t-K) (J, K > 0), que postula como hiptesis
nula la dependencia no lineal multiplicativa (HCD), frente a la alternativa de dependencia no lineal aditiva (bilinealidad, MANL, ...). Los resultados sintticos de estos
contrastes se reflejan en las siguientes tablas.
Tabla 1. Nmero de Veces que se Rechaza la Hiptesis Nula
(Homocedasticidad Condicional) (Sign. 5%)
3. Como puede verse en Bollerslev (1986), no es posible derivar un contraste directo de la hiptesis nula de homocedasticidad condicional frente a la alternativa de HCD explicada por un proceso
GARCH(p, q). El contraste LM para efectos ARCH(p) es idntico al que resulta para contrastar
frente a GARCH(p, q).
21

Tabla 2. Porcentajes de Coeficientes de Bicorrelacin Significativos
(J,K = 1, ..., 10) (Sign. Contraste Unilateral 5%)
ANEXO 2. AGREGACIN CONTEMPORNEA DE PROCESOS GARCH

DERIVACIN DE COTAS MNIMAS Y MXIMAS PARA LA VARIANZA
INCONDICIONAL DEL PROCESO GARCH-AGREGADO
A partir de la ecuacin bsica (12.2), que describe el proceso generador de la
perturbacin
2
( ni ,t - 1)
n ,t
condicionalmente heterocedstica, tenemos que
2
2
n ,t = n ,t
i
2
n ,t
i
2
n ,t
i
+ Qni ,t , donde Qni ,t es un proceso de media nula,
incorrelacionado y condicionalmente heterocedstico (Bollerslev (1986)). Tenemos

as que la ecuacin (12.3) puede reescribirse como
2
ni ,t
= ni ,0 +
qn
max(pn ,q n )
i
i
u =1
de forma que E(
2
ni ,t
) = n ,0 +
v =1
max(pn ,q n )
i
i
n ,v Qn ,t v
i
2
ni ,u ni ,t u
n i ,u E
2
( n ,t u ) , donde:
i
u =1
2
E( ni ,t u ) = E( Et 1( n2i ,t u
ni
)) = Vn ,0 = ni 2 h jk ,0 h
i
j ,k =1
jk,0
= E(hjk,t) hjk,t = Et-1(j,t-uk,t-u)
22
Tenemos as que
2
ni ,0
= ni ,0 + Vni ,0
max(pn ,q n )
i
i
n i ,u
2
ni ,0
Vni ,0 ) = ni ,0
u =1
max(pni ,qni )
+ Vni ,0
ni ,u 1
u =1
donde si el proceso GARCH(pni, qni) especificado determina la estacionariedad dbil

2
de ni ,t , entonces la varianza incondicional, ni ,0 , determinada por la ecuacin (13)
estar acotada por
n ,0 < n2 ,0 < ( n ,0 + Vn ,0 ) , donde n ,0 > 0

i
puede ser arbitra-
riamente pequeo y es de esperar que la magnitud de Vni ,0 tambin decrezca por el

efecto de la agregacin, por lo que la aproximacin puede ser relativamente buena.
ANEXO 3. CONSECUENCIAS DE UN ERROR DE ESPECIFICACIN DEL

ESQUEMA HCD SOBRE EL RIESGO ESPECFICO
Consideremos el caso de que la verdadera ecuacin de varianza condicional
que caracteriza el comportamiento de un proceso dbilmente estacionario, t, es
GARCH(1, 1), es decir, Vart-1(t) = h0,t = 0 + 1
= E[Vart-1(t)] =
02
t21 + 1h0,t-1, de forma que Var(t)
= 0(1 - [1 + 1])-1 = 0(1 - 1)-1. Sin embargo, se especifica
incorrectamente un modelo ARCH(p) a dicha serie, es decir, ht =0+
u =1,p
u t2u =
0+p(L) t2 , de forma que consideraramos que la varianza incondicional de t viene

dada por E(ht) = 0(1 - p(1))-1. Sin embargo, puede demostrarse simplemente que la
verdadera varianza incondicional que determina el ajuste incorrecto del modelo
ARCH(p) viene dada por E0(ht) = 0+p(1), de forma que el error cometido en este
ltimo caso viene dado por
E0(ht) - E(ht) = p(1)[
02 - E(ht)] < 02 - E(ht)
es decir, que el error cometido al tomar como medida del riesgo especfico E(ht) en
lugar de la verdadera varianza incondicional generada por el proceso ARCH(p) es
menor que el error cometido cuando se compara esta primera con la verdadera
varianza incondicional del trmino t. Para justificar la utilizacin del esquema de
HCD GARCH(1, 1) en las versiones univariante y multivariante del procedimiento
23
propuesto hemos aplicado una modificacin del contraste LM propuesto inicialmente por Bollerslev (1986)4, con los siguientes resultados.
Tabla 3. Nmero de veces que se rechaza la hiptesis nula(a)
ARCH(p=1,..., 5) frente a la alternativa GARCH(r,1)(r=1,...,5)
REFERENCIAS BIBLIOGRFICAS
ALEXANDER, C. (2000).- A Primer on the Orthogonal GARCH Model, Manuscript ISMA Centre,
University of Reading, UK.
BERA. A.K. y S. LEE (1993).- Information Matrix Test, Parameter Heterogeneity and ARCH: A
Synthesis, Review of Economic Studies. Vol. 60, pp.229-240.
BERA, A.K. y M. L. HIGGINS (1995).- On ARCH Models: Properties, Estimation and Testing, en
Oxley, L., George, D.A.R. George, C.J. Roberts y S. Sayer (eds.) Surveys in Econometrics.
Captulo 8 (pp.215-272). Basil Blackwell, Ltd.
4 La justificacin ms detallada y el planteamiento del procedimiento de contraste indicado puede solicitarse a los autores o consultarse en Afonso Rodrguez, J., N. Bruno P y J. Giner (2000)..
Una Modificacin del Contraste LM en el contraste ARCH(p) versus GARCH(r,q), Manuscrito sin
publicar.
24
BOLLERSLEV, T. (1986).- A Generalized Autoregressive Conditional Heteroskedasticity, Journal of

Econometrics. Vol. 31, pp.307-327.
BOLLERSLEV, T. (1990).- Modelling the Coherence in Short-Run Nominal Exchange Rates: A
Multivariate Generalized ARCH Approach, Review of Economics and Statistics. Vol. 72,
pp.498-505.
BOLLERSLEV, T., R.F. ENGLE y J.M. WOOLDRIDGE (1988).- A Capital Asset Pricing Model with
Time-Varying Covariances, Journal of Political Economy. Vol.96, pp.116-131.
BOLLERSLEV, T., R.Y. CHOU y K.F. KRONER (1992).- ARCH Modelling in Finance: A Review of the
Theory and Empirical Evidence, Journal of Econometrics. Vol. 52, pp.5-59.
BROWN, R.L., J. DURBIN y J.M. EVANS (1975).- Techniques for testing the constancy of regression
relationships over time, Journal of the Royal Statistical Society, Series B, vol.37, pp.149192.
DIEBOLD, F.X. y J.A. LPEZ (1995).- Modeling Volatility Dynamics, Technical Working Paper No.
173. NBER.
ENGLE, R.F. (1982).- Autoregressive Conditional Heteroskedasticity with Estimates of the Variance
of U.K. Inflation, Econometrica. Vol. 50, pp.987-1008.
ENGLE, R.F. (2000).- Dynamic Conditional Correlation A Simple Class of Multivariate GARCH
Models, Discussion Paper 00-09. Department of Economics, University of California, San
Diego.
ENGLE, R.F. y K.F. KRONER (1993).- Multivariate Simultaneous Generalized ARCH, Discussion
Paper 89-57R. Department of Economics, University of California, San Diego.
EVANS, J. L. (1968).- Diversification and the Reduction of Dispersin: An Empirical Analysis,
Tesis Doctoral, Graduate School of Busines Administration, University of Washington, Seattle.
GLOSTEN, L.R., R. JAGANNATHAN y D. RUNKLE (1993).- On the Relation Between the Expected
Value and the Volatility of the Nominal Excess Return of Stocks, Journal of Finance. Vol.48(5),
pp.1779-1801.
GMEZ-BEZARES, F.G., J.A. MADARIAGA y J. SANTIBAES (1994).- Valoracin de Acciones en
la Bolsa Espaola, Biblioteca de Gestin Desclee de Brouwer, Bilbao.
GMEZ-BEZARES, F.G., J.A. MADARIAGA y J. SANTIBAES; (1999).- Riesgo y Rentabilidad en
Mercados de Tamao Intermedio (el caso espaol), Anlisis Financiero, 78, segundo
cuatrimestre, pp. 52-74.
GOURIEROUX, C. (1992).- Modeles ARCH et Applications Financieres, Economica, Paris.
GREGORY, W.A. (1989).- A Nonparametric Tets for Autoregressive Conditional Heteroscedasticity:
A Markov-Chain Approach, Journal of Business and Economic Statistics. Vol. 7(1), pp.107115.
HANSSON, B. y P HRDAHL (1998).- Testing the Conditional CAPM using Multivariate GARCH.
25
M, Applied Financial Economics. Vol.8, pp.377-388.

HSIEH, D.A. (1989).- Testing for Nonlinear Dependence in Daily Foreign Exchange Rates, Journal
of Business. Vol.62(3), pp.339-368.
KING, B.F. (1966).- Market and Industry Factors in Stock Price Behavior, Journal of Business.
Enero, pp. 139-190.
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. Vol. 47, pp. 13-37.
MARKOWITZ, H. (1952).- Portfolio Selection, Journal of Finance. Marzo, pp. 77-91.
MARKOWITZ, H. (1959).- Portfolio Selection: Efficient Diversification of Investments, John Wiley,
Nueva York.
MOSSIN, J. (1966).- Equilibrium in a Capital Asset Market, Econometrica. Vol. 34(4), pp. 768-783.
NELSON, D.B. (1991).- Conditional Heteroskedasticity in Asset Returns: A New Approach,
Econometrica. Vol. 59, pp.347-370.
NIJMAN, T. y E. SENTANA (1996).- Marginalization and Contemporaneous Aggregation in
Multivariate GARCH Processes, Journal of Econometrics. Vol. 71, pp.71-87.
PLOBERGER, W., W. KRMER, K. KONTRUS (1989).- A new test for structural stability in the linear
regression model. Journal of Econometrics, 40, p.307-318.
RABEMANANJARA, R. y J.M. ZAKOIAN (1993).- Threshold ARCH Models and Asymmetries in
Volatility, en M.H. Pesaran y S.M. Potter (eds.) Nonlinear Dynamics, Chaos and Econometrics.
John Wiley and Sons, Ltd.
SHARPE, W. F. (1963).- A Simplified Model for Portfolio Analysis, Management Science, Vol. IX(2)
Enero, pp. 277-293.
SHARPE, W. F. (1964).- Capital Asset Prices: A Theory of Market Equilibrium Under Conditions of
Risk, Journal of Finance. Vol. XIX(3), pp. 425-442.
TOBIN, J. (1958).- Liquidity Preference of Market Value of Risky Assets, Review of Economic Studies,
Vol. 26, pp. 65-86.
TREYNOR, J. L. (1965).- How to Rate Management of Investment Funds, Harvard Business Review.
Enero-febrero, pp. 63-75.
WAGNER, W.H. y S. C. LAU (1971).- The Effect of Diversification on Risk, Financial Analysts Journal,
27, pp. 48-53.
WOLFF, C.C.P (1988).- Autoregressive Conditional Heteroscedasticity. A Comparison of ARCH
.
and Random Coefficient Models, Economics Letters. Vol. 27, pp.141-143.
ZAFFARONI, P (2000).- Contemporaneous Aggregation of GARCH Processes, Discussion Paper
.
No. EM/00/378. STICERD/Econometrics, London School of Economics and Political
Science.

Economía - Análisis Multivariante Diversificación Carteras

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Economía - Análisis Multivariante Diversificación Carteras

Uploaded by

Copyright:

Available Formats

Estudios de Economa Aplicada

Asociacin de Economa Aplicada, (ASEPELT)

ISSN (Versin impresa): 1133-3197

Red de Revistas Cientficas de Amrica Latina y el Caribe, Espaa y Portugal

Un anlisis univariante y multivariante de la diversificacin

Univariate and Multivariate Analysis of The Diversification of Portfolios Under

J.A. Afonso Rodrguez, N.A. Bruno Prez y J. Giner Rubio

UN ANLISIS UNIVARIANTE Y MULTIVARIANTE DE LA DIVERSIFICACIN DE CARTERAS ...

do en la formacin de carteras ingenuas y posterior medicin del riesgo especfico a

= i + i Rm,t + i ,t ( i = 1,...,N,t = 1,...,T )

Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2

J.A. Afonso Rodrguez, N.A. Bruno Prez y J. Giner Rubio

El valor de i expresa la pendiente de la lnea caracterstica, tambin mide la

La incertidumbre en el modelo de mercado se debe a que no se conoce con certeza

diferencia entre el riesgo total y el sistemtico, es decir i2,0 = 2 i2,s , donde

y, adems, se determinan independientemente de la rentabilidad del mercado

R n,t = x i R i ,t = x i i + R m,t x i i + x i i ,t = n + n R m,t + n ,t

Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2

UN ANLISIS UNIVARIANTE Y MULTIVARIANTE DE LA DIVERSIFICACIN DE CARTERAS ...

= Rn,t E( Rn,t ) = n ( Rm,t E( Rm,t )) + n ,t = n Rm,t + n ,t

bajo el supuesto de independencia.

Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2

J.A. Afonso Rodrguez, N.A. Bruno Prez y J. Giner Rubio

Nmero de ttulos de la cartera (n)

UN ANLISIS UNIVARIANTE Y MULTIVARIANTE DE LA DIVERSIFICACIN DE CARTERAS ...

que las reducciones de riesgo fueron relativamente ms pequeas despus de que se

3. EL MODELO DE MERCADO CON HETEROCEDASTICIDAD CONDICIONAL DINMICA (HCD)

Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2

J.A. Afonso Rodrguez, N.A. Bruno Prez y J. Giner Rubio

Rm,t|im,t-1 ~ N(m,t, hm,t)

i,t = Covt-1(Ri,t, Rm,t)/Vart-1(Rm,t) = him,t/hm,t

donde la funcin de varianza condicional variable en el tiempo (dinmica)

Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2

UN ANLISIS UNIVARIANTE Y MULTIVARIANTE DE LA DIVERSIFICACIN DE CARTERAS ...

E[hi,t] < , donde la existencia de este momento depender nicamente de la

Zi,t ~ i.i.d.N(0, 1) e independiente de i,t

donde la funcin de varianza condicional viene determinada por una parametrizacin

(1) q (1)} < 1 es la condicin necesaria para la

estacionariedad dbil de la distribucin condicional del proceso i,t. As, si en (10)

Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2

J.A. Afonso Rodrguez, N.A. Bruno Prez y J. Giner Rubio

de forma que si el instante t se observa una dispersin superior al promedio, ste

UN ANLISIS UNIVARIANTE Y MULTIVARIANTE DE LA DIVERSIFICACIN DE CARTERAS ...

guiendo la metodologa propuesta, realizamos una serie de precontrastes de la hip

4. FORMACIN DE CARTERAS INGENUAS, RIESGO ESPECFICO Y HCD

J.A. Afonso Rodrguez, N.A. Bruno Prez y J. Giner Rubio

. Si consideramos ahora que a nivel desagregado, el rendimiento

n ,t , que satisface tambin un determinado

por (9) y (10), resulta en un proceso,

esquema HCD. Es decir, proponemos en primer lugar emplear el siguiente modelo:

En el Anexo 2 proponemos un intento de determinar unas cotas bilaterales para la

2. Un tratamiento analtico detallado del problema de la agregacin contempornea de proceso

Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2

UN ANLISIS UNIVARIANTE Y MULTIVARIANTE DE LA DIVERSIFICACIN DE CARTERAS ...

Et-1( E ni ,t E ni ,t ) = Hni,t = (hjk,t)j,k=1,...,ni Mnini

es la matriz que recoge las ni(ni+1)/2 varianzas y covarianzas condicionales variables

donde ini es un vector columna ni 1 de unos. Dada la normalidad condicional, la

H ni ,t = Dni ,t Cni ,t Dni ,t

J.A. Afonso Rodrguez, N.A. Bruno Prez y J. Giner Rubio

donde Dni ,t = diag { h j ,t } j =1,...,ni y Cni ,t = { jk ,t } j ,k =1,...,ni , puesto que el coeficiente

Bajo la descomposicin dada en (17) y el supuesto de normalidad condicional, la

de forma que propone implementar un procedimiento de estimacin en dos etapas.

As, si Dni ,t se estima consistentemente en la primera etapa, la estimacin de los