Eficiencia Debil Del Mercado de Valores Peruano

UNIVERSIDAD PRIVADA ANTONIO GUILLERMO URRERLO
FACULTAD DE CIENCIAS EMPRESARIALES Y ADMINISTRATIVAS

CARRERA PROFESIONAL DE INGENIERA COMERCIAL
LA EFICIENCIA DBIL DEL MERCADO DE VALORES PERUANO 2012

- 2015: EL MODELO DE RANDOM WALK
Presentada por:
Bach. Guido Miguel Dvila Rabanal.
Bach. Jhony Pal Estrada Hernndez.
Asesor:
Econ. Antero Manuel Zelada Chvarry.
Cajamarca Per
2016
UNIVERSIDAD PRIVADA ANTONIO GUILLERMO URRERLO

LA EFICIENCIA DBIL DEL MERCADO DE VALORES

PERUANO 2012 - 2015: EL MODELO DE RANDOM WALK
Tesis presentada en cumplimento parcial de los requerimientos para optar el

ttulo profesional de Ingeniero Comercial
Bach. Guido Miguel Dvila Rabanal.

Bach. Jhony Pal Estrada Hernndez.
Asesor:
Econ. Antero Manuel Zelada Chvarry.
Cajamarca Per
Octubre - 2016
COPYRIGHT 2016 by
GUIDO MIGUEL DAVILA RABANAL
JHONY PAUL ESTRADA HERNANDEZ
Todos los derechos reservados
UNIVERSIDAD PRIVADA ANTONIO GUILLERMO URRELO

APROBACION DE TESIS
LA EFICIENCIA DBIL DEL MERCADO DE VALORES PERUANO

2012 - 2015: EL MODELO DE RANDOM WALK
Presidente:
Secretario:
Vocal:
Asesor:
DEDICATORIA
A:
Mis Padres porque brindan respaldo financiero y emocional, a mis amigos y
profesores que siempre han influenciado para la consecucin de mis objetivos
acadmicos.
Jhony Estrada.
A:
Mi Madre, Abuelita y hermanos que brindan un respaldo emocional en todos mis
proyectos de carcter acadmico.
Guido Dvila.
AGRADECIMIENTO
A nuestros familiares por el Apoyo incondicional al desarrollar el presente

trabajo de investigacin.
Al Economista Antero Zelada Chvarry por haber apoyado de forma

incondiconal como asesor de este trabajo de Investigacin.
A los profesores de la facultad de Ciencias Empresariales y Administrativas de

la UPAGU por haber contribuido con nuestra formacin academica de forma
excepcional.
RESUMEN
El desarrollo de los Mercados de valores a nivel mundial no se ha dado de
forma convergente an existen muchos preblamas como los de eficiencia de
mercados, en este sentido el presente trabajo de Investigacin tiene como objetivo
determinar la existencia de Eficiencia Dbil en el Mercado de valores Peruano 2012
2015 a travs de la comprobacin de la aleatoriedad segn el modelo Random
Walk. El estudio se realizo a las series y a los rendimientos de los principales
Valores de la bolsa de Valores de Lima desde el 2012 hasta 2015 con una frecuencia
diaria, segn cotizaciones diarias de la Bolsa de Valores de Lima, principalmente
al Indice de la Bolsa de Valores de Lima. Para dicho fin, se realizaron las siguientes
pruebas y test: El Test de Ljung & Box, la prueba de Bartlett, el Modelo AR y la
prueba Dickey-Fuller Aumentado.
Palabras Clave: autocorrelacin, proceso estocastico, caminata aleatoria,
eficiencia dbil.
VI
ABSTRACT
The development of securities markets worldwide has not occurred
convergently there are still many preblamas as the efficiency of markets, in this
sense, the present research aims to determine the existence of Efficiency Weak in
the stock market Peru 2012 - 2015 by checking the randomness by model Random
Walk. The study series and yields of the main values of the Lima Stock Exchange
from 2012 to 2015 with a daily frequency was performed, according to daily quotes
Lima Stock Exchange, mainly Index Stock Exchange from Lima. The test Ljung &
Box, Bartlett test, the AR model and Dickey-Fuller test: For this purpose, the
following tests and tests were performed.
Keywords: autocorrelation, stochastic process, random walk, weak efficiency.
VII
INTRODUCCIN
El presente trabajo de investigacin se ha desarrollado sobre el estndar y
protocolos de la Investigacin Cientfica Universal, en tal sentido se desarrolla de
la siguiente manera.
Captulo I: Se presenta el proceso de planteamiento del problema que se desarroll
para determinar el problema y objetivos de la investigacin.
Captulo II: Se desarroll el Marco terico correspondiente en base a la teora de
la Eficiencia de Mercados y la teora del modelo de Random Walk.
Captulo III: Se desarroll el marco metodolgico de la investigacin en donde
podemos destacar que la investigacin.
Captulo IV: Se Presentan los resultados obtenidos y el posterior anlisis de estos
en donde presentamos las pruebas y test realizado a los valores en estudio.
Captulo V: En este capitulo se configuran las conclusiones y recomendaciones
del trabajo de investigacin.
VIII
NDICE
DEDICATORIA ...................................................................................................................... V
AGRADECIMIENTO ............................................................................................................. VI
RESUMEN ........................................................................................................................... VI
ABSTRACT.......................................................................................................................... VII
INTRODUCCION................................................................................................................ VIII
NDICE ................................................................................................................................ IX
NDICE DE TABLAS ............................................................................................................. XII
NDICE DE GRFICOS ........................................................................................................ XIV
CAPTULO I INTRODUCCIN............................................................................................... 1
1.
PLANTEAMIENTO DEL PROBLEMA .............................................................................. 2
1.1.
Descripcin de la realidad ...................................................................................... 2
1.2.
Formulacin del Problema ..................................................................................... 3
1.2.1. Problema Principal ................................................................................................. 3

1.2.2. Problemas Especificos ............................................................................................ 3
1.3.
Objetivo general y especficos ............................................................................... 4
1.3.1. Objetivo General .................................................................................................... 4

1.3.2. Objetivos Especficos.............................................................................................. 4
1.4.
Justificacin de la Investigacin ............................................................................. 4
1.5.
Hipotesis................................................................................................................. 5
1.6.
Operacionalizacin de variables ............................................................................ 5
CAPTULO II MARCO TERICO ............................................................................................ 6

2.
MARCO TERICO ........................................................................................................ 7
2.1.
Antecedentes de la investigacin .......................................................................... 7
2.2.
Bases Tericas ...................................................................................................... 10
2.2.1. La Teora de la eficiencia de mercados de Valores .............................................. 10

2.2.2. Tipos de Eficiencia de los mercados de Valores................................................... 13
2.2.3. Supuestos. ............................................................................................................ 14
2.2.4. Eficiencia dbil ..................................................................................................... 15
2.2.5. Eficiencia Intermedia............................................................................................ 16
2.2.6. Eficiencia Fuerte ................................................................................................... 16
2.2.7. Teora de modelo de Random Walk..................................................................... 18
2.2.8. Tipos de Random Walk ........................................................................................ 20
IX
2.2.9. El recorrido aleatorio tipo 1 (RW1) ...................................................................... 21

2.2.10. El recorrido aleatorio tipo 2 (RW2 ) ..................................................................... 22
2.2.11. El recorrido aleatorio tipo 3 (RW3) ...................................................................... 23
2.3.
Definicin de Trminos Bsicos ........................................................................... 27
CAPTULO III METODOLOGA DE LA INVESTIGACIN ....................................................... 28

3.
METODOLOGA DE LA INVESTIGACIN .................................................................... 29
3.1.
Tipo de investigacin ........................................................................................... 29
3.2.
Diseo de investigacin ....................................................................................... 29
3.3.
Unidad de anlisis ................................................................................................ 29
3.4.
Poblacin .............................................................................................................. 30
3.5.
Muestra ................................................................................................................ 30
3.6.
Mtodos de investigacin .................................................................................... 31
3.7.
Tcnicas de investigacin ..................................................................................... 32
3.8.
Tcnicas de anlisis de datos ............................................................................... 32
CAPTULO IV LA EFICIENCIA DBIL DEL MERCADO DE VALORES PERUANO 2012 - 2015:

EL MODELO DE RANDOM WALK ....................................................................................... 33
4.
RESULTADOS DE LA INVESTIGACIN ........................................................................ 34
4.1.
Valores Examinados ............................................................................................. 34
4.2.
Analisis de autocorrelacin de Ljung- Box .......................................................... 37
4.3.
Anlisis de estacionariedad de Dickey - Fuller Aumentado (ADF TEST)............... 39
4.3.1. VOLCABC1 ............................................................................................................ 39

4.3.2. ALICORPC1 ........................................................................................................... 41
4.3.3. MILPOC1 ............................................................................................................... 43
4.3.4. IFS ......................................................................................................................... 45
4.3.5. GRAMONC1 .......................................................................................................... 47
4.3.6. BAP ....................................................................................................................... 49
4.3.7. CONTINC1............................................................................................................. 50
4.3.8. MINSURI1 ............................................................................................................. 52
4.3.9. FERREYC1 ............................................................................................................. 54
4.3.10. BVN....................................................................................................................... 55
4.3.11. S&P/ BVLG ............................................................................................................ 57
4.4.
Modelos AR(1)...................................................................................................... 59
4.4.1. VOLCABC1 ............................................................................................................ 60

4.4.2. ALICORPC1 ........................................................................................................... 60
4.4.3. MILPOC1 ............................................................................................................... 61
X
4.4.4. IFS ......................................................................................................................... 61

4.4.5. GRAMONC1 .......................................................................................................... 62
4.4.6. BAP ....................................................................................................................... 63
4.4.7. CONTINC1............................................................................................................. 63
4.4.8. MINSURI1 ............................................................................................................. 64
4.4.9. FERREYC1 ............................................................................................................. 65
4.4.10. BVN....................................................................................................................... 65
4.4.11. S&P / BVLG PER GENERAL ................................................................................. 66
4.5.
Anlisis de resultados........................................................................................... 67
CAPTULO V CONCLUSIONES Y RECOMENDACIONES ....................................................... 71

4.6.
Conclusiones ......................................................................................................... 72
4.7.
Recomendaciones ................................................................................................. 73
REFERENCIAS..................................................................................................................... 74
APNDICE .......................................................................................................................... 75
ANEXOS ............................................................................................................................. 87
XI
NDICE DE TABLAS
Tabla N 1: Operacionalizacin de variables. .................................................................... 5

Tabla N2: Acciones con mejor ndice de Liquidez de la Bolsa de Valores de Lima ..... 30
Tabla N3: Estadsticas descriptivas de los valores examinados ...................................... 36
Tabla N 4: Augmented Dickey- Fuller VOLCABC1. .................................................... 39
Tabla N 5: Augmented Dickey- Fuller VOLCABC1 AR(1). ........................................ 40
Tabla N6: Augmented Dickey- Fuller ALICORC1. ...................................................... 41
Tabla N 7: Augmented Dickey- Fuller ALICORC1 AR(1). .......................................... 42
Tabla N 8: Augmented Dickey- Fuller MILPOC1 .......................................................... 43
Tabla N 9: Augmented Dickey- Fuller MILPOC1 AR(1)............................................... 44
Tabla N 10: Augmented Dickey- Fuller IFS ................................................................... 45
Tabla N 11: Augmented Dickey- Fuller IFS AR(1) ........................................................ 46
Tabla N 12: Augmented Dickey- Fuller GRAMONC1................................................... 47
Tabla N 13: Augmented Dickey- Fuller GRAMONC1 AR(1) ...................................... 47
Tabla N 14: Augmented Dickey- Fuller BAP ................................................................. 48
Tabla N 15: Augmented Dickey- Fuller BAP AR(1) ..................................................... 49
Tabla N 16: Augmented Dickey- Fuller CONTINC1 ..................................................... 50
Tabla N 17: Augmented Dickey- Fuller CONTINC1 AR(1) .......................................... 51
Tabla N 18: Augmented Dickey- Fuller MINSRI1 ......................................................... 52
Tabla N 19: Augmented Dickey- Fuller MINSURI1 AR(1) ........................................... 52
Tabla N 20 : Augmented Dickey- Fuller FERREYC1 .................................................... 53
XII
Tabla N 21: Augmented Dickey- Fuller FERREYC1 AR(1) .......................................... 54

Tabla N 22: Augmented Dickey- Fuller BVN ................................................................ 55
Tabla N 23: Augmented Dickey- Fuller BVN AR(1) ..................................................... 56
Tabla N 24: Augmented Dickey- Fuller S&P/BVLG ..................................................... 57
Tabla N 25: Augmented Dickey- Fuller S&P/BVLG AR(1) .......................................... 58
Tabla N 26: Modelo AR(1) VOLCABC1 ...................................................................... 59
Tabla N 27: Modelo AR(1) ALICORC1 ......................................................................... 60
Tabla N 28: Modelo AR(1) MILPOC1 ........................................................................... 60
Tabla N 29: Modelo AR(1) IFS ...................................................................................... 61
Tabla N 30: Modelo AR(1) GRAMONC1 ...................................................................... 62
Tabla N 31: Modelo AR(1) BAP ................................................................................... 62
Tabla N 32: Modelo AR(1) CONTINC1........................................................................ 63
Tabla N 33: Modelo AR(1) MINSURI1 ........................................................................ 64
Tabla N 34: Modelo AR(1) FERREYC1 ....................................................................... 64
Tabla N 35: Modelo AR(1) BVN ................................................................................... 65
Tabla N 36: Modelo AR(1) S&P/BVLG ........................................................................ 66
Tabla N 37 : Resumen de pruebas realizadas a los valores en estudios .......................... 67
XIII
NDICE DE GRFICOS
Grfico N1: Comportamiento de valores analizados 2012- 2015 con frecuencia Diaria 35
Grfico N2: Comportamiento de rendimientos de los activos analizados 2012 - 2015 en
primeras diferencias .......................................................................................................... 35
Grfico N3.: Correlograma de serie VOLCABC1 .......................................................... 37
Grfico N4.: Correlograma de serie VOLCABC1 en primeras diferencias ................... 38
Grfico N 5 : Prueba de Dickey Fuller Aumetada para valores ..................................... 68
Grfico N 6: Prueba de Dickey Fuller Aumetada para valores en primeras diferencias. 68
Grfico N 7: Error porcentual absoluto medio (MAPE) ................................................. 69
XIV
CAPTULO I
INTRODUCCIN
1. PLANTEAMIENTO DEL PROBLEMA

1.1.
Descripcin de la realidad
Una de las industrias ms desarrolladas de la economa
global son las Finanzas, especficamente los mercados burstiles,
estos de la mano de la generacin de Tecnologas de la Informacin
y Comunicacin (TICs) han logrado desarrollarse de forma
abrumadora hasta el punto de que es factible hablar de la integracin
mundial de mercados burstiles, y que puede ser posible que en tan
solo un instante un inversionista Peruano pueda transar en la Bolsa
de Valores de Tokio o en Wall Street, desde casa, simplemente
usando algn ordenador. Tambin para mencionar el desarrollo de
nuevos instrumentos financieros, solo basta mencionar el desarrollo
exponencial del Bitcoin o de otras monedas virtuales de la misma
naturaleza.
El desarrollo de mercados burstiles en todos los pases del
mundo no se han dado de manera concurrente o convergente, si bien
en muchos pases del mundo han logrado un desarrollo impensable,
en otras como en economas de transicin al desarrollo, los mercados
burstiles an tienen problemas que van desde la no disposicin de
TICs avanzadas a problemas de eficiencia de mercados como
elevados costos de transaccin, informacin asimtrica, etc.
El que un mercado de valores tenga eficiencia o no
determinar el grado de desarrollo, por ende se vuelve atractivo para
los inversionistas, es decir la eficiencia es un factor muy importante

en el funcionamiento de todo mercado de valores.
La eficiencia de los mercados burstiles ha sido ampliamente
testeada desde su formulacin en las ltimas decadas, tanto en
mercados desarrollados (Norteamrica y Europa), como en
emergentes (Asia, Oceana, frica y Latinoamrica). Segn (Duarte
Duarte J. , Comprobacin de la Eficiencia Dbil en los Principales
Mercados Financieros Latinoamericanos, 2014) la eficiencia del
mercado de valores latinoamericano dista mucho de economas
desarrolladas, pero tambin menciona que la eficiencia de los
mercados de valores de economas en desarrollo varia en el tiempo.
En tal sentido es muy importante testear si en el Per las
caractersticas del mercado de valores configuran eficiencia.
1.2.
Formulacin del Problema

Teniendo en cuenta el contexto sealado anteriomente, la presente
investigacin busca dar respuesta a las siguiente interrogantes:
1.2.1. Problema Principal

Comprueba el modelo de Random Walk la existencia de Eficiencia
Dbil del Mercado de Valores Peruano durante el Periodo 20122015?
1.2.2. Problemas Especificos
Qu tipo de Random Walk
puede comprobar la Eficiencia
Dbil del Mercado de Valores Peruano 2012 2015?

3
Son significantes las pruebas y estadsticos del Modelo

Random Walk para rechazar o firmar la hiptesis de Eficiencia
Dbil del Mercado de Valores Peruano 2012 2015?
1.3.
Objetivo general y especficos
1.3.1.
Objetivo General
El objetivo de la presente Investigacin Cientfica es determinar si
la existencia del Random Walk comprueba la existencia de
Eficiencia Dbil del Mercado de Valores Peruano durante el
Periodo 2012- 2015.
1.3.2.
Objetivos Especficos
Determinar el tipo de Random Walk que pueda comprobar la

Eficiencia Dbil del mercado de Valores Peruano 2012 2015
Determinar la significancia de las pruebas y estadsticos del

Modelo Random Walk para rechazar o firmar la hiptesis de
Eficiencia Dbil del Mercado de Valores Peruano 2012 2015.
1.4.
Justificacin de la Investigacin
La presente investigacin se justifica en base a las razones
siguientes:
Es importane investigar este de investigacin debido la eficiecia

dbil es un factor muy importante en el funcionamiento del
mercado de valores peruano, pues de ello de sucesos con el
crecimiento y desarrollo de este mercado.
Es necesario investigar si existe la eficiencia dbil en el mercado

de valores peruano para el conocimiento de agentes de inters.
La presente investigacin servir como punto de partida para futuras

investigaciones relacionadas con el tema.
1.5.
Hipotesis
H1: La existencia de aleatoriedad en el modelo Random Walk
indica que existe eficiencia dbil en el mercado de Valores Peruano

durante el periodo 2012 2015
Ho: La inexistencia de aleatoriedad en el modelo Random Walk
indica que no existe eficiencia dbil en el mercado de Valores

Peruano durante el periodo 2012 2015
1.6.
Operacionalizacin de variables
Tabla N 1: Operacionalizacin de variables.
Variables
Definicin
Dimensiones
Indicadores
Decisin
Test de Ljung Box & Pierce
Random
Walk
El
precio
ms
reciente
y un
choque estocstico
son la prediccin
del siguiente precio
de un determinado
valor; es decir la
serie se comporta
bajo el principio de
aleatoriedad.
Dickey-Fuller
Random Walk 3
Aumentado
Esatacionariedad
En la serie
(Modelo AR)
Fuente: Elaboracin del grupo de investigacin.
P-value>5% NSRH0
(incorrelacin)
P-value<5% SRH0
(correlacin)
(2c>2 t NSRH0)
La Ho: = 0 y Ha: 0 ,
indicando la hiptesis nula
la existencia de raz
unitaria en la serie; se
rechaza Ho para auto
correlaciones (p) diferentes
a uno
Si las serie de precios es
Estacionaria en primeras
diferencias cumple con la
aletoriedad
CAPTULO II
MARCO TERICO
2.
MARCO TERICO
2.1.
Antecedentes de la investigacin
Son varios los estudios realizados
para comprobar la
hiptesis de eficiencia de mercados, los primeros estudios de

eficiencia se basaron en el anlisis de la hiptesis de eficiencia dbil
en donde se entiende que el precio es resultado de su informacin
histrica.
A continuacin se mostraran las conclusiones de varios
estudios que se orientaron a contrastes de auto correlacin serial de
los precios o de los rendimientos accionarios, reglas de filtros, test
de direcciones y anlisis de ndices, para verificar la hiptesis de
eficiencia dbil en mercados de valores. La mayora de los estudios
al respecto provienen de las economas ms desarrolladas del
mundo, pero es
interesante ver que tambin en otros contextos
sociopolticos se estn tomando mucha relevancia a la eficiencia en

mercados de valores.
A continuacin se
describen antecedentes empezando por
los del resto del mundo y luego los del Per.

(Esteban Gardozo, 2013) Comenta su tesis de Maestra
presentada en la Universidad de San Andres de Colombia quien
comprob la hiptesis de la existencia de eficiencia dbil en el
mercado de valores colombino, en el sentido que no se presenten
fenmenos de sobrerreaccin. Llega a la conclusin de que existe un
fenmeno de sobrerreaccin en el mercado de acciones colombiano
7
que es asimtrico y se manifiesta sobre los eventos o desviaciones

inesperadas acumuladas negativas en el valor de los activos, que
cumple con el fenmeno de magnitud de la sobrerreaccin pero no
as con la hiptesis de intensidad. (p. 25)
Segn ( Gmez Bezares, Vicente Ugarte, & Antonio
Madariaga, 1998)
el concepto de eficiencia del mercado, muy
vinculado a la posibilidad de predecir el comportamiento futuro de

una accin, para poder sacar de l alguna ventaja diferencial, es
decir, una rentabilidad extraordinaria. Para comprobar en primera
instancia un estudio de series de tiempo a los rendimientos de las
acciones estudiadas, es importante resaltar el estudio de series de
tiempo ya que ser el anlisis usado en el presente trabajo de
investigacin. (pp. 238- 250)
Segn
(Duarte Duarte & Mascareas Prez-Iigo, La
Eficiencia de los Mercados de Valores: Una Revisin, 2013) existen

a nivel mundial muchos estudios de investigacin los cuales usan
muchas metodologas para comprobar la eficiencia de mercados en
los tres niveles, estos estudios en gran mayora son sobre la
eficiencia dbil y se usa en la mayora de ellos la hiptesis de
Random Walk. (pp. 21-35)
(Duarte Duarte J. , Comprobacin de la Eficiencia Dbil en
los Principales Mercados Financieros Latinoamericanos, 2014) Es
un estudio donde profundiza el anlisis de la eficiencia de mercados
financieros a travs de la utilizacin de la metodologa de Random

Walk en donde hace mencin la existencia de Random Walk tipo 1,
2, 3. (pp. 78 85)
Es el tipo Random Walk tipo 3 el cual se usara para el
desarrollo de esta Investigacin cientfica y segn (Duarte Duarte J.
, Comprobacin de la Eficiencia Dbil en los Principales Mercados
Financieros Latinoamericanos, 2014) este tipo de Random Walk
se verifica mediante el Test de Q y LJung- Box, Intervalo de
Bartlett, ARIMA y Ratio Varianza. (p. 77)
Concluyentemente estudios internacionales mencionan que
la eficiencia dbil se relaciona con la posibilidad de prediccin de la
evolucin de una accin, a partir de los datos histricos de la propia
accin; es decir los anlisis univariante de series temporales. En este
estudio tambin usan el modelo Box y Jenkins el mismo que basa en
los llamados modelos ARIMA, los que son base fundamental del
presente estudio.
Segn (Snchez Paucar, 2012) en su estudio sobre Eficiencia
del Mercado Burstil Peruano y Efectos del Crecimiento Econmico
sobre el financiamiento del Sector Privado Perodo 2002 - 2012
encuentra que los ndices de la BVL en niveles tienen
comportamientos
estocsticos
pero
sus
rendimientos
son
estacionarios, es decir, los valores futuros pueden ser predichos en

base a sus rendimientos, violando la condicin bsica de la HME.
Menciona tambin que los ndices de BVL se caracterizan por series

en diferencias; es decir rentabilidades estacionarias y que por ende
no se cumple con el supuesto Random Walk y eficiencia dbil y
que los retornos pueden ser predecibles. (p. 45)
Todas las acciones analizadas se caracterizan por que su
rentabilidad es estacionaria, es decir no se comportan como un
Random Walk, lo que nos lleva a determinar que existe alguna
manera de poder modelarlas en el corto plazo, adems resulta que no
cumplen con el supuesto de normalidad, ya que generalmente los
datos se encuentran acumulados alrededor de la media (leptocticas)
y presentan una asimetra a la derecha. (Silup Garcs & Calle
Ruiz, 2007, p. 45)
Todos los antecedentes
anteriormente descritos
comprueban la eficiencia dbil de mercados burstiles basndose en

la hiptesis de Random Walk, esta misma metodologa ser usada en
el presente trabajo de investigacin pero con pruebas economtricas
sofisticadas.
2.2.
Bases Tericas
2.2.1. La Teora de la eficiencia de mercados de Valores

Los Mercados Eficientes es uno de los fenmenos ms
estudiados en el mundo de las Finanzas de los ltimos tiempos. Tiene
su origen en la teora del camino aleatorio; es decir, parte de la idea
de que las cotizaciones burstiles son totalmente estocsticas.
10
Para poder describir ms la eficiencia de mercados de

valores mencionaremos al padre de las Finanzas Modernas (Fama,
1970) quien
en su estudio realizado para American Finance
Association denominado Efficient Capital Markets: A Review of

Theory and Empirical Work Author menciona que se puede decir
que un mercado de valores es eficiente cuando la competencia entre
los distintos agentes que intervienen en el mismo, guiados por el
principio del beneficio mximo, conduce a una situacin de
equilibrio en la que el precio de mercado de cualquier ttulo
constituye una buena estimacin de su valor intrnseco. (pp. 390
400)
El mercado se comporta como un juego limpio en el que los
precios reflejan completa e instantneamente toda la informacin
disponible; de modo que los inversores no debern preocuparse por
la valoracin de los ttulos, puesto que stos estarn perfectamente
valorados. (Duarte Duarte J. , Comprobacin de la Eficiencia Dbil
en los Principales Mercados Financieros Latinoamericanos, 2014, p.
39)
Cabe destacar que el hecho de que el mercado recoja toda la
informacin disponible no significa que todos los intervinientes en
el mismo estn informados de todo y sepan interpretar toda la
informacin y determinar sus consecuencias, sino que lo que se
resalta es el comportamiento agregado del mercado.
11
Para (Duarte Duarte & Mascareas Prez-Iigo, La

Eficiencia de los Mercados de Valores: Una Revisin, 2013, p. 2) En
un mercado eficiente, ningn grupo estara en situacin de
desventaja, ni tampoco de ventaja sobre los dems; puesto que todos
poseen la mxima informacin. De forma que el nico modo de
obtener beneficios extraordinarios es conseguir informacin que no
tengan los dems inversores, o aprovechar las disparidades
temporales que puedan surgir entre el precio de mercado de un ttulo
y su valor intrnseco.
La bsqueda de informacin privilegiada, y el trabajo
realizado por los analistas expertos, especuladores y arbitrajistas es,
precisamente, la que lleva la eficiencia al mercado; es decir, la
funcin de estos agentes econmicos es muy
relevante
para
determinar la eficiencia del mercado, siendo la labor del arbitrajista

la ms importante, tal como mencionan muchos autores, el arbitraje
es la piedra angular de la Teora del Mercado Eficiente.
De este modo, una de las curiosidades que cabe destacar
sobre la eficiencia de los mercados es el hecho de que, para que stos
se comporten de forma eficiente, es necesario que los agentes
econmicos no crean en la eficiencia del mercado, de modo que
traten de descubrir la existencia de ineficiencias. Actuacin que
provoca que stas desaparezcan, empujando los precios hacia su
valor objetivo, y logrando, de este modo, la eficiencia del mercado.
Esta situacin ha sido denominada como la paradoja del mercado
12
eficiente. ( Gmez Bezares, Vicente Ugarte, & Antonio Madariaga,

1998, pp. 2238-2250) Podemos afirmar entonces que
querer
predecir los rendimientos futuros de valores burstiles resulta es

imposible, siempre y cuando los mercados valores sean eficientes.
Contrariamente un mercado burstil no eficiente te puede dar la
oportunidad de que puedas obtener rendimientos por sobre el
promedio del mercado, usando herramientas economtricas
sofisticadas o alguna informacin privilegiada.
2.2.2. Tipos de Eficiencia de los mercados de Valores

Para describir los tipos de eficiencia de
mercados
tomaremos lo siguiente
La eficiencia de mercado ha sido definida dependiendo del
grado de informacin con que se cuente en la formacin de los
precios, es as como, la distincin entre eficiencia fuerte y dbil fue
planteada por primera vez por Roberts (1967), sin embargo es
(Fama, 1970) quien retoma y ampla la definicin a los tres niveles
de eficiencia de acuerdo al fully reflect de la informacin: en primer
lugar, la forma dbil (weak form) plantea que la informacin
relevante para tomar decisiones de inversin est recogida en los
precios histricos de las acciones, en segundo lugar seala la forma
semifuerte (semi-strong), que se presenta cuando adems de los
precios histricos se cuenta con informacin adicional, que est
disponible pblicamente y por tal motivo contribuye a la formacin
de los precios, por ltimo el autor define la forma fuerte (strong) de
13
eficiencia del mercado como aquella en que algunos inversores

cuentan con informacin privilegiada relevante para la formacin de
los precio. (Duarte Duarte J. , Comprobacin de la Eficiencia Dbil
en los Principales Mercados Financieros Latinoamericanos, 2014, p.
37)
2.2.3. Supuestos.
Segn (Snchez Paucar, 2012, p. 23) Para que la Hiptesis de
Mercados Eficientes se cumpla, se debe tener en cuenta los
siguientes supuestos:
Toda la informacin debe ser pblica, de fcil acceso y sin costo

alguno; de tal manera, que el inversor pueda tomar decisiones
que maximicen su funcin de utilidad.
El mercado debe ser lquido, es decir que exista un gran nmero

de inversores (compradores y vendedores) que transan en el
mercado.
Cualquier inversor puede entrar o salir del mercado.
Los agentes que participan en el mercado de capitales son

racionales.
Exista en el mercado diversificacin de productos financieros.
Los precios se determinan mediante la oferta y demanda

En el mercado de Valores Peruano no se podran cumplir
varias de las condiciones anteriores, existen problemas de la

informacin costosa y asimtrica hasta falta de liquidez. Segn
14
(Silup Garcs & Calle Ruiz, 2007, p. 45) en el estudio de la

eficiencia de la bolsa de valores Lima, determina que el mercado de
valores Peruano es uno de los menos lquidos de Amrica Latina.
2.2.4. Eficiencia dbil

En la hiptesis dbil se supone que cada ttulo refleja
totalmente la informacin contenida en la serie histrica de precios,
es decir, toda la informacin pasada. Los inversores, por lo tanto, no
pueden obtener rentabilidades superiores analizando dichas series
(es decir, utilizando el anlisis tcnico, que se basa en el estudio de
los grficos representativos de la evolucin pasada del precio) o
ideando reglas de comportamiento de los precios basadas en ellas,
puesto que todos los participantes del mercado habrn aprendido ya
a explotar las seales que dichas series de precios pueden mostrar y
actuarn en consecuencia. (Zablotzky, 2001, p. 6)
Segn esta hiptesis ningn inversor podr conseguir un
rendimiento superior al del promedio del mercado analizando
exclusivamente la informacin pasada (la serie histrica de precios)
y si lo logra ser slo por azar. Ahora bien, si el mercado se ajusta a
esta hiptesis, un inversor s podr "batir al mercado" utilizando la
informacin hecha pblica y la informacin privilegiada.
En la presente investigacin se tratar exclusivamente a
comprobar la existencia de eficiencia en la forma dbil para lo cual
15
se utilizara el modelo de Random Walk, este que ser descrito en

otro apartado.
2.2.5. Eficiencia Intermedia

Segn esta hiptesis un mercado es eficiente en su forma
intermedia cuando los precios reflejan, no slo toda la informacin
pasada, sino tambin toda la informacin hecha pblica acerca de la
empresa o de su entorno, que pueda afectar a cada ttulo en particular
(informe de resultados, anuncios de dividendos, balances anuales,
trimestrales, variacin del tipo de inters, etc.).
Dado que una gran parte de la informacin utilizada por los
analistas financieros est ampliamente disponible para el pblico,
esta hiptesis golpea fuertemente en el corazn de la profesin de
analista financiero. Esto es, si la eficiencia del mercado se ajusta a
dicha hiptesis, la persona que emplee el anlisis fundamental para
intentar lograr un rendimiento superior a la media del mercado est
perdiendo el tiempo, puesto que la cotizacin de los ttulos ya refleja
exactamente su valor terico o intrnseco. (Zablotzky, 2001, p. 7)
La nica forma de lograr un rendimiento superior al
promedio, que no sea por medio del azar, es a travs de la utilizacin
de la informacin privilegiada.
2.2.6. Eficiencia Fuerte

La hiptesis fuerte parte del supuesto de que los precios
reflejan absolutamente toda la informacin ya sea pasada, pblica o
16
privada. Segn ella, ningn inversor podr obtener rendimientos por

sobre a los del mercado no ser por azar. Esta es una hiptesis extrema
que es prcticamente imposible de cumplir en ningn mercado, pues
ello implicara que dicho mercado sera perfecto y eso es una
quimera.
los Principales Mercados Financieros Latinoamericanos, 2014) Para
que un mercado sea eficiente es necesario que los participantes en el
mismo utilicen el anlisis tcnico (que busca formas en las series
histricas de precios que sean recurrentes y, por tanto, predecibles)
y el anlisis fundamental (que utiliza las predicciones de beneficios
y dividendos de la empresa, las expectativas sobre los tipos de inters
y la valoracin del su forma intermedia todo el tiempo y dinero
empleado en los dos tipos de anlisis anteriores se habr gastado en
vano (excepto en lo tocante a hacer que el mercado alcance un alto
grado de eficiencia, pero esto no creemos que les importe demasiado
a los accionistas de los fondos de inversin, que vern como sus
gestores cobran altos sueldos por no conseguir "batir al mercado"),
pero si los analistas pensaran que el mercado es eficiente y
renunciaran a realizar sus anlisis entonces tngase por seguro que
el mercado llegara a ser rpida y completamente ineficiente. En
resumen, los mercados se aproximan a la eficiencia cuando los
participantes en los mismos creen que no son eficientes y compiten
buscando esa ineficiencia que les har ganar una mayor rentabilidad
17
que el promedio de los inversores competencia entre los analistas

asegure que, como regla general, los precios de los ttulos. (p. 53)
2.2.7. Teora de modelo de Random Walk

En fsica se conoce un fenmeno llamado movimiento
browniano, que es el movimiento aleatorio que se observa en
algunas partculas microscpicas que se hallan en un medio fluido,
en donde describen un comportamiento aleatorio en su trayectoria.
Uno de los primeros en describir el movimiento aleatorio, fue John
Venn (1888), quien en su libro La lgica de la Oportunidad
presenta una disertacin sobre el concepto de random motion,
usado por la comunidad cientfica de su poca, asociado a un orden
agregado e irregularidad individual (o aparente irregularidad). Sin
embargo, no fue hasta que Pearson (1905) plantea el problema del
recorrido aleatorio que se introduce este trmino en la literatura
cientfica. A partir de entonces, este concepto se ha utilizado para
describir movimientos de la naturaleza, del comportamiento
humano, y ms concretamente los mercados burstiles, en los cuales
no es posible predecir el precio futuro de un activo financiero a partir
de sus precios histricos. (Duarte Duarte J. , Comprobacin de la
Eficiencia Dbil en los Principales Mercados Financieros
Latinoamericanos, 2014, p. 62)
Este proceso, la caminata aleatoria (random walk), que se
manifiesta de dos formas, una que contempla rumbo y otro que no.
18
Este ltimo caso se puede expresar en trminos de la siguiente

especificacin:
yt = yt-1 + t
Donde t rene las caractersticas de ser ruido blanco y la
variable yt es una serie cuyo valor es igual al inmediatamente
anterior ms un choque aleatorio.
En esta lgica, yt-1 = yt-2 + t -1 y
yt-2 = yt-3 + t -2, por lo
que sustituyendo progresivamente se tiene que:

yt = yt-1 + t = t + t -1 + yt-2 = t + t -1 + t -2 + y t-3= .=
Por tanto, si el proceso no tiene infinito e inici con
valor y0 como
inicial, entonces
yt
-1 +
consecuencia
-2 +
y0
Teniendo
la
yt = j + y0 para j= 1,2, En
media
se
expresa
como:
= E(yt)= ( j + y0 ) = y0 E(j)= y0 y la varianza como: Var (yt)

= E(yt - y0 )2 = E( j)2 = E(j)2 = t2 Esto significa que la media
de t y es igual al valor inicial que es constante pero la varianza no lo
es, ya que crece de manera indefinida en la medida que t aumenta, lo
cual viola una condicin de estacionariedad. Una extensin del
modelo anterior, es el proceso de caminata aleatoria con rumbo o
constante que se define: yt = + yt-1 + t , Y que al igual que el caso
anterior, es un proceso AR(1), con la diferencia que incluye un
parmetro de variacin . Si la ecuacin del Random Walk sin
tendencia se reescribe yt yt-1 = yt = + t, entonces se deduce que
19
la tendencia de yt se incrementa si > 0 y disminuye en caso de que

< 0.
2.2.8. Tipos de Random Walk

los Principales Mercados Financieros Latinoamericanos, 2014) El
recorrido aleatorio se estructura en tres versiones diferentes,
Random Walk tipo 1, 2 y 3 (en adelante, RW1, RW2 y RW3). RW1,
como la serie donde los incrementos de los precios (o retornos) son
independiente e idnticamente distribuidos (i.i.d.), en donde el
concepto de independencia significa que los incrementos y sus
funciones no lineales, estn no correlacionados. RW2, a diferencia
de la anterior solo exige que los incrementos sean independientes,
mas no idnticamente distribuidos, es decir RW1 es un caso
particular de RW2, es por ello que RW2 permite heterocedasticidad
en los errores, lo cual es til cuando se analizan series de tiempo
financieras que generalmente presentan comportamientos variables
en el tiempo. Por ltimo RW3, permite incrementos con dependencia
pero no correlacionados, en cuyo caso RW1 y RW2 son casos
especiales de RW3. (pp. 67-68)
A continuacin se describen los tipos de recorrido aleatorio,
especificando los test generalmente utilizados en la comprobacin
emprica, pero es en el RW3 en el cual se podr nfasis ya que como
se mencionan en los antecedentes el tipo de Random Walk ms
20
usado para determinar la eficiencia en la forma de dbil en los

mercados de valores del todo el mundo.
2.2.9. El recorrido aleatorio tipo 1 (RW1)

El recorrido aleatorio tipo 1, busca verificar la hiptesis nula
de que los retornos de los activos se comportan de forma
independiente e idnticamente distribuidos. Los estadsticos ms
usados para el RW1 segn (Duarte Duarte J. , Comprobacin de la
Eficiencia Dbil en los Principales Mercados Financieros
Latinoamericanos, 2014, p. 67) son los siguientes:
Prueba de Corridas o Rachas de Wald & Wolfowitz: La prueba

de rachas contrasta la aleatoriedad con que aparecen los valores
de una variable, esto es, permite confirmar si una muestra se ha
extrado de forma aleatoria. Una racha es una secuencia de
observaciones similares, y la prueba solo tiene sentido cuando se
quiere considerar el orden secuencial de aparicin de un conjunto
de datos.
Test BDS de Brock, Dechert, Scheinkman, & LeBaron: Contrasta

la hiptesis nula de que los retornos sean independientes e
idnticamente distribuidos, contra la hiptesis nula de que existe
estructura lineal, no lineal o catica.
Prueba de Secuencias y de Reversas de Cowles & Jones:

Consiste en verificar la igualdad en la frecuencia de aparicin de
las secuencias (retornos del mismo signo) y las reversas (retornos
de signo contrario) en una serie de retornos, en la medida en que
21
esta igualdad se d, se prueba la hiptesis nula de que los

incrementos de los precios son independientes e idnticamente
distribuidos.

Este tipo de aleatoriedad, a diferencia de la anterior, exige
independencia entre los retornos del activo, mas no que ellos sean
idnticamente distribuidos.
los Principales Mercados Financieros Latinoamericanos, 2014, p.
68) menciona que Para comprobar RW2 generalmente se acude a
metodologas como el anlisis tcnico y filtros de Alexander.
Los filtros de Alexander. Filtros de Alexander: Este test se

enfoca en contrastar si la gestin pasiva de comprar y mantener
es mejor o no que aplicar gestin activa a la compra y venta de
activos, mediante reglas de filtros.
Anlisis Tcnico: Igual que el anterior, consiste en comparar la

gestin pasiva con metodologas activas, que buscan identificar
grficamente tendencias que puedan servir de herramienta para
tomar posiciones ventajosas en el mercado. Entre las
identificadas en el estado del arte se pueden mencionar: tcnicas
de velas, media mvil, Trading Range Breakout, etc.
22

El recorrido aleatorio tipo 3, busca probar la presencia de
autocorrelacin significativa en las series de tiempo mediante
diferentes test, entre los cuales se cuenta con las pruebas de Bartlett
y de Ljung & Box, como los ms usados.
A continuacin se propone una lista de la forma de medicin
del RW3 ya que es de importancia para el presente estudio de
investigacin basndonos en (Duarte Duarte J. , Comprobacin de
la Eficiencia Dbil en los Principales Mercados Financieros
Latinoamericanos, 2014, p. 69).
Test Q de Box & Pierce: Evala la significancia conjunta de la

autocorrelacin en las series financieras, para diferentes rezagos.
Aplicado a los residuos, consiste en comprobar si estos son
consistentes son el supuesto de ruido blanco. La hiptesis nula
es rechazada para Q- Stat muy altos, el estadstico se distribuye
como una X2 con (n-p-q) grados de libertad. (Trujillo Calagua ,
2010)
Test de Ljung & Box: Es una versin mejorada del test Q, en el

sentido de que es ms potente para evaluar muestras pequeas,
siguiendo la misma ley de distribucin asinttica.
La prueba de Ljung-Box segn (Duarte Duarte, Medina
Prez, & Romero lvarez, 2012, p. 6) se puede definir de la siguiente

manera.
23
H0: Los datos se distribuyen de forma independiente (es

decir, las correlaciones en la poblacin de la que se toma la muestra
son 0, de modo que cualquier correlacin observada en los datos es
el resultado de la aleatoriedad del proceso de muestreo). Ha: Los
datos no se distribuyen de forma independiente.
La estadstica de prueba es:
Donde n es el tamao de la muestra,
es la autocorrelacin
de la muestra en el retraso k y h es el nmero de retardos que se estn
probando. Por nivel de significacin , la regin crtica para el

rechazo de la hiptesis de aleatoriedad es donde
es la -
cuantil de la distribucin chi-cuadrado con h grados de libertad.

La prueba de Ljung-Box se utiliza comnmente en
autorregresivo integrado de media mvil de modelado (ARIMA).
Tenga en cuenta que se aplica a los residuos de un modelo ARIMA
equipada, no en la serie original, y en tales aplicaciones, la hiptesis
de hecho objeto del ensayo es que los residuos del modelo ARIMA
no tienen autocorrelacin. Al probar los residuales de un modelo
ARIMA estimado, los grados de libertad deben ser ajustados para
reflejar la estimacin de parmetros. Por ejemplo, para una (,, p 0 q)
modelo ARIMA, los grados de libertad se debe establecer en m-n-p.
24
Prueba de Bartlett: A diferencia de las dos anteriores, este test

evala la significancia de los rezagos de forma individual, es
decir evala si un rezago es significativo o no, sin tener en cuenta
si sus predecesores lo son.
La prueba de Bartlett se utiliza para probar la hiptesis
nula,
que todas las varianzas de una poblacin k son iguales,
frente a la hiptesis alternativa de que al menos dos son diferentes.

Si hay k muestras con tamao
muestras
y varianzas de las
entonces estadstico de prueba de Bartlett es:
Donde
es la estimacin
combinada de la varianza.
La estadstica de prueba tiene aproximadamente una distribucin
.
As,
si
la
hiptesis
(donde
para la distribucin
nula
se
rechaza
es el valor crtico de la cola superior

).
La prueba de Bartlett es una modificacin de la

correspondiente prueba de razn verosimilitud diseada para hacer
que la aproximacin a la distribucin
sea mejor.
Modelo ARIMA de Box, Jenkins, & Reinsel: La metodologa

ARIMA
busca
identificar
las
autocorrelaciones
ms
significativas, tanto de los retornos (AR) como de los errores
25
(MA), de una serie financiera con el fin de formular un modelo

de regresin lineal.
Para la lograr un construir un modelo ARIMA se siguen los
siguientes pasos segn (Gujarati & Porter, 2010, p. 777):
En un primer Lugar se debe Identificar; es decir encontrar los valores
de p,d y q ( p = trminos autorregresivos, q = trminos de promedios
mviles y d= nmero de veces que la serie debe diferenciarse para
volverse estacionaria. En segundo lugar
que consiste en la
estimacin de los parmetros de p,d y q. En tercer lugar se tendra

que realizar un examen de diagnstico, es decir ver si el modelo
seleccionado se ajusta a los datos en forma razonable.
Segn (Duarte Duarte, Medina Prez, & Romero lvarez,
2012) para poder medir el RW3 tambin se pude utilizar la prueba
Dickey-Fuller Aumentado. Diseada para evaluar la autocorrelacin
de manera drstica, valores alrededor de 1, en el trmino de error t,
para las tres formas de caminata aleatoria: con constante y tendencia,
con constante y sin tendencia y sin constante ni tendencia. (p. 7)
Este test estima la siguiente regresin (Trujillo Calagua ,
2010, p. 218): y= y t-1+ t, Donde la Ho: = 0 y Ha: 0,
indicando la hiptesis nula la existencia de raz unitaria en la serie;
se rechaza Ho para auto correlaciones (p) diferentes a uno.
26
2.3.
Definicin de Trminos Bsicos

Proceso Estocstico: Concepto matemtico que sirve para tratar
con magnitudes aleatorias que varan con el tiempo, o ms
exactamente para caracterizar una sucesin de variables aleatorias
(estocsticas) que evolucionan en funcin de otra variable,
generalmente el tiempo.
Random Walk o Caminata Aleatoria: Es una formalizacin
matemtica de la trayectoria que resulta de hacer sucesivos pasos
aleatorios. Por ejemplo, la ruta trazada por una molcula mientras
viaja por un lquido o un gas, el camino que sigue un animal en su
bsqueda de comida, el precio de una accin fluctuante y la situacin
financiera de un jugador pueden tratarse como una caminata
aleatoria.
RW1: Como la serie donde los incrementos de los precios (o
retornos) son independiente e idnticamente distribuidos (i.i.d).
RW2: Serie donde que solo exige que los incrementos sean
independientes, mas no idnticamente distribuidos.
RW3: Serie que permite incrementos con dependencia pero no
correlacionados, en cuyo caso RW1 y RW2 son casos especiales de
RW3.
White Noise o Ruido Blanco: Es una seal aleatoria (proceso
estocstico) que se caracteriza por el hecho de que sus valores de
seal en dos tiempos diferentes no guardan correlacin estadstica.
27
CAPTULO III
METODOLOGA DE LA INVESTIGACIN
28
3. METODOLOGA DE LA INVESTIGACIN
3.1.
Tipo de investigacin
Segn el conocimiento que se desea alcanzar y por la
profundidad del estudio, la investigacin ser de tipo aplicativa,
debido que este estudio de investigacin brindara herramientas de
anlisis y servir para toma de decisiones agentes de inters del
mercado burstil Peruano. El nivel de investigacin de la presente
investigacin es correlacional debido a que se va a identificar en
modelos economtricos la correlacin de los rendimientos de los
activos
3.2.
con sus rezagos, segn el modelo Random Walk.
Diseo de investigacin
La investigacin ser no experimental de corte longitudinal
ya que no se manipulara las variables en estudio y se pretende
encontrar el grado de eficiencia del mercado burstil Peruano
durante el periodo 2010 2015, cotizaciones diarias que desde la
primera del 2012 a la ultima del 2015.
3.3.
Unidad de anlisis
La Unidad de anlisis de la presente investigacin vendrn a
ser las Activos burstiles las 10 acciones analizadas y el ndice S&P
/ BVL Per General, ya que son las series que se estudiaran mediante
modelos economtricos y estadsticos.
29
3.4.
Poblacin
La poblacin para el desarrollo de esta investigacin vienen
ser todos los valores que cotizan en la Bolsa de Valores de Lima,
ao 2015.
3.5.
Muestra
La muestra para el desarrollo de la presente investigacin
Cientfica ser por conveniencia, del ndice que forma la poblacin
se escogieron a 10 acciones de acuerdo al grado de Liquidez, y el
Indice S&P / BVL Per General.
Se toma el grado de liquidez ya que es una caracterstica
relevante de activos financieros ya que de esto depende que sean
objeto para el destino de la inversin; es decir
representacin concisa
son una
del movimiento del mercado.
Tabla N2: Acciones con mejor ndice de Liquidez de la Bolsa de

Valores de Lima.
Nombre
Ind. Liquidez
VOLCABC1
20.953340
ALICORC1
15.009515
MILPOC1
14.461033
IFS
13.407483
GRAMONC1
12.769084
BAP
11.112179
CONTINC1
11.053696
MINSURI1
10.637747
FERREYC1
10.082828
30
BVN
9.748498
Fuente: (Bolsa de Valores de Lima, 2015)

3.6.
Mtodos de investigacin
Hipottico Deductivo: Ya que se propone la hiptesis de
eficiencia de mercado de valores Peruano como consecuencia de
inferencias de la teora de eficiencia de mercado y de estudios
empricos. En el primer caso se arriba a la hiptesis mediante
procedimientos inductivos y en segundo caso mediante
procedimientos deductivos. Es la va primera de inferencias
lgico deductivo para arribar a conclusiones particulares a partir
de la hiptesis y que despus se puedan comprobar
experimentalmente, en el caso del presente estudio se podra
experimentar luego de los resultados por ejemplo con anlisis
tcnico de valores o buscar un portafolio de hipottico que brinde
rendimientos mayores al del mercado, pero este estudio no se
encargar de eso.
Inductivo: Este mtodo se caracteriza por llegar a conclusiones
generales a partir de verdades particulares. Aplicando a la
presente investigacin, a travs de este mtodo se ira explicando
la eficiencia del mercado de valores Peruanos a partir de lo
identificado en el rendimiento de los valores en estudio.
Mtodo Comparativo: Se pretende hacer una comparacin entre
el grado de eficiencia de los valores en estudio y el grado de
31
eficiencia del ndice S&P 500 para determinar el nivel de

eficiencia del mercado de valores Peruano.
Mtodo Histrico: ste mtodo busca analizar la trayectoria
concreta de la teora y de investigaciones empricas, en el caso de

esta investigacin de usar este mtodo cuando se busque
antecedentes empricos y tericos.
3.7.
Tcnicas de investigacin
En el presente estudios bsicamente se trabajara con
informacin secundaria, la que ser tomada de forma directa de la
base de datos de la Bolsa de Valores de Lima.
3.8.
Tcnicas de anlisis de datos

Para el procesamiento de la informacin se utilizaran
softwares como Microsoft Word, Wicrosoft Excel, Econometric
Eviews y Stata.
Los paquetes economtricos se utilizaran para el tratamiento
de las series y determinar de acuerdo a los test presentados en la
operacinalizacin de variables.
32
CAPTULO IV
LA EFICIENCIA DBIL DEL MERCADO DE
VALORES PERUANO 2012 - 2015: EL MODELO DE
RANDOM WALK
33
4.
RESULTADOS DE LA INVESTIGACIN
Un mercado es eficiente cuando los precios de los ttulos que se
negocian reflejan toda la informacin disponible y se ajustan total y
rpidamente la nueva informacin (Fama, 1970) Adems, cuando un
mercado es eficiente los cambios en los precios de los valores son
imprevisibles y por tal motivo se comporta de la misma forma que una
caminata aleatoria (Gujarati & Porter, 2011).
Recordemos tambin que Gujarti asume en su texto como sinnimos
los trminos no estacionariedad, Raz Unitaria y Recorrido aleatorio. Si se
agrega a esto la incorrelacin de los rendimientos de los valores estaremos
en el pleno cumplimiento de la aletoridad; es decir diremos que se configura
el Random Walk.
Se cumple la aleatoriedad o se configura el Random Walk si en las
series de los valores: Existe Raiz Unitaria, no estacionariedad y la
incorrelacin en sus rendimientos.
A las series se aplicaron diversas pruebas estadsticas tales como la
funcin de autocorrelacin muestral, la prueba de LB de Ljung-Box, la
Prueba de Dickey Fuller Aumentada, prueba de la raz unitaria, con el fin de
determinar si las serie de tiempo son o no estacionarias, para posteriormente
afirmar o no que los valores analizados configuran una caminata aleatoria.
4.1.
Valores Examinados
Los valores a ser examinados, tal como se mencion
anteriormente se ha realizado a las 10 empresas con mayor grado de
34
liquidez en la siguiente tabla se presenta la lista de dichas empresas

tambin se analiza el ndice S&P/BVLG. De los valores
mencionados en la tabla N2 se presenta en el siguiente grfico de
lneas el comportamiento desde la primera cotizacin 02-01-2012 al
30-12-2015.
Grfico N1: Comportamiento de valores analizados 2012- 2015 con
frecuencia Diaria.
VOLCABC1
ALICORC1
MILPOC1F
IFS
12
45
10
40
35
30
2
250
500
750
25
1
250
1000
GRAMONC1
500
750
20
250
1000
BAP
14
750
250
1000
CONTINC1
180
12
500
500
750
1000
750
1000
MINSURI1
160
10
6
140
5
6
120
4
100
2
0
80
250
500
750
2
250
1000
FERREYC1
500
750
BVN
50
28,000
3.0
40
24,000
2.5
30
20,000
2.0
20
16,000
1.5
10
1.0
750
1000
750
1000
750
1000
250
500
12,000
0
500
500
SPBVLG
3.5
250
0
250
1000
8,000
250
500
750
1000
250
500

De los valores estudiados se presenta en el siguiente grfico
de lneas el comportamiento de los rendimientos 03-01-2012 al 3012-2015.
Para efecto de la presente investigacin nos interesan las
series en rendimientos ya que se analizaran si configuran
significativamente una caminata aleatoria o Radom Walk.
Grfico N2: Comportamiento de rendimientos de los activos
analizados 2012 - 2015 en primeras diferencias.
35
DVOL|CABC1
DALICORC1
.15
.10
DMILPOC1
DIFS
.12
.2
.12
.08
.1
.08
.04
.0
.04
.00
-.1
.00
-.04
-.2
-.04
.05
.00
-.05
-.10
-.15
-.08
250
500
750
-.3
250
1000
DGRAMONC1
500
750
-.08
250
1000
DBAP
500
750
250
1000
DCONTINC1
.3
.08
.3
.2
.04
.2
.1
.00
.1
.0
-.04
.0
500
750
1000
750
1000
DMINSURI1
.15
.10
.05
.00
-.1
-.08
250
500
750
-.1
250
1000
-.05
DFERREYC1
500
750
-.10
250
1000
DBVN
.2
.2
.1
.1
.0
.0
-.1
-.1
500
750
1000
750
1000
250
500
DSPBVLG
.06
.04
.02
.00
-.02
-.04
-.2
-.2
250
500
750
-.06
250
1000
500
750
250
1000
500
Fuente: Elaboracin del grupo de Investigacin.

Se observa que el comportamiento de los rendimientos
primera vista si estara configurando un modelo de caminata
aleatoria, en los retornos, entonces podemos asemejar las grficas E
[Pt] = P0=0.
Tabla N3: Estadsticas descriptivas de los valores examinados.
DMILPOC1
DIFS
DGRAMONC
1
DBAP
DBVN
DSPBVLG
DSP500
Mean
0.003125
0.000124
0.001300
0.000217
0.001377
0.000215
0.000863
0.001928
0.000688
0.002658
0.000749
-0.000434
Median
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000276
-0.000471
Maximum
0.142857
0.081720
0.186667
0.083212
0.203008
0.068145
0.209615
0.145455
0.193548
0.182192
0.055441
0.041031
Minimum
-0.105263
-0.063981
-0.207547
-0.051282
-0.084615
-0.066183
-0.074194
-0.094118
-0.102564
-0.122402
-0.047488
-0.037567
Std. Dev.
0.025517
0.013484
0.021631
0.013007
0.017756
0.014717
0.016404
0.022174
0.017782
0.028995
0.009728
0.008071
Skewness
0.521969
0.433227
0.197320
1.081065
1.668145
0.030077
4.871098
1.047850
1.599067
0.347973
0.541083
0.305312
Kurtosis
7.497097
7.593565
21.46783
10.23733
21.60834
5.257969
53.79139
8.475512
25.54204
6.899964
6.792643
4.921715
Jarque-Bera
888.9584
911.3933
14231.58
2379.618
14906.61
212.7977
111556.3
1433.648
21620.42
654.5729
648.7824
169.5799
Probability
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
Sum
Sum Sq.
Dev.
3.128079
0.124505
1.301612
0.217389
1.378112
0.215708
0.863801
1.929850
0.688503
2.660484
0.750106
-0.434827
0.651132
0.181820
0.467914
0.169184
0.315278
0.216601
0.269094
0.491681
0.316184
0.840722
0.094627
0.065142
1001
1001
1001
1001
1001
1001
1001
1001
1001
1001
1001
1001
DVOLCABC1 DALICORC1
Observation
s
DCONTINC1 DMINSURI1 DFERREYC1

En la Tabla se puede observar que los valores presentan una
media significativamente igual a cero.
36
Un estadstico relevante para analizar si la serie se distribuye

como una normal es el Jarque Bera, los resultados presentan que
el valor S&P 500 es la serie que posee el valor ms bajo, seguido de
la serie BAP. Este valor en cuanto sea significativamente bajo nos
indica una aproximacin a la distribucin normal de la serie.
Segn lo expuesto por (Duarte Duarte & Mascareas PrezIigo, La Eficiencia de los Mercados de Valores: Una Revisin,
2013) generalmente las series de cotizaciones burstiles se alejan
mucho de una distribucin normal pero no es descabellodo asumir
que se comporten como la mencionada distribucin.
4.2.
Analisis de autocorrelacin de Ljung- Box

Acontinuacion
realizamos
un
(Correlograma).
Grfico N3.: Correlograma de serie VOLCABC1.
Fuente: Elaboracin del grupo de investigacin
37
anlisis
grfico
En el grfico se muestra claramente que la serie muestra un

proceso integrado de orden 1 con un coeficiente de autocorrelacin
de 0.997 al igual que todas las series analizadas, lo que se puede
corroborar en el Apendice N 1.
Entonces las series
originales
(cotizaciones diarias)
presentan autocorrelacin en un proceso integrado de orden 1

formando asi un AR(1).
Grfico N4.: Correlograma de serie VOLCABC1 en primeras diferencias.
A diferencia del anterior grfico VOLCABC1, en primeras

diferencias no presenta autocorrelacin significtiva y es un proceso
integrado de orden cero cumpliendo asi la aleatoriedad. Este
comportamiento sucede indenticamente en todas las series
analizadas es decir todas las series no presenta autocorrelacin
significtiva y es un proceso integrado de orden cero cumpliendo asi
38
la aleatoriedad, los graficos para todas las series estn en el apndice

N2.
4.3.
Anlisis de estacionariedad de Dickey - Fuller Aumentado (ADF

TEST)
Segn la teora de las series de tiempo aquella serie
diferenciable en primeras diferecias (raz unitaria) configura un
Random Walk siempre y cuando el choque estocstico es un ruido
blanco.
Entonces se realizo un anlisis estacionariedad para probar si
existe consistencia en de las series al transformalas en modelos
AR(1) con el fin de establecer en el modelo si existe o no la
autocorrelacin serial de los choques estocsticos, errores.
El test de ADF tiene como finalidad testear la hiptesis de
que una serie estadstica sigue un comportamiento estacionario en
media y en varianza a lo largo de su trayectoria temporal de
estimacin. La prueba que se plantea es:
H0: La serie no es estacionaria (presenta Raz Unitaria).
H1: La serie es estacionaria (no presenta raz unitaria).
La demostracin de esta prueba se detalla en el Anexo N:
4.3.1. VOLCABC1
Prueba de Augmented Dickey-Fuller
Tabla N 4: Augmented Dickey- Fuller VOLCABC1.
39
Null Hypothesis: VOLCABC1 has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=21)
Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-0.828610
-3.436663
-2.864216
-2.568247
0.8101
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(VOLCABC1)
Method: Least Squares
Date: 07/15/16 Time: 20:44
Sample (adjusted): 1/04/2012 12/31/2015
Included observations: 1001 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
VOLCABC1(-1)
C
-0.000916
-0.001511
0.001105
0.002047
-0.828610
-0.737935
0.4075
0.4607
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.000687
-0.000314
0.035082
1.229524
1934.057
0.686595
0.407523
Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-0.002937
0.035077
-3.860255
-3.850447
-3.856527
1.923741
Como se puede observar el Valor de Augmented DickeyFuller test statistic no supera en los tres niveles de significancia y
arroja una probabilidad del 81.01 % de acertar si acepto la hiptesis
nula.
Aca se puede observar entonces la existencia de no
estacionariedad, por lo cual realizamos la prueba a las primeras
diferencias de la serie.
40
Prueba de Augmented Dickey-Fuller en primeras diferencias

Tabla N 5: Augmented Dickey- Fuller VOLCABC1 AR(1).
Null Hypothesis: D(VOLCABC1) has a unit root
Exogenous: Constant

1% level
5% level
10% level
t-Statistic
Prob.*
-30.41662
-3.436670
-2.864219
-2.568248
0.0000

Dependent Variable: D(VOLCABC1,2)
Date: 07/18/16 Time: 21:48
Sample (adjusted): 3 1002
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(VOLCABC1(-1))
C
-0.962117
-0.002819
0.031631
0.001113
-30.41662
-2.531502
0.0000
0.0115
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.481065
0.480545
0.035086
1.228553
1932.020
925.1708
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
1.10E-05
0.048681
-3.860041
-3.850225
-3.856310
1.999019

Se observa que el Valor de Augmented Dickey-Fuller test
statistic supera significativamente a los tres niveles de significancia
y me arroja una probabilidad de cero, es decir contrariamente a la
serie sin diferenciar hay estacionariedad.
4.3.2. ALICORPC1
Tabla N6: Augmented Dickey- Fuller ALICORC1.
41
Null Hypothesis: ALICORC1 has a unit root

Exogenous: None

1% level
5% level
10% level
t-Statistic
Prob.*
-0.276533
-2.567277
-1.941140
-1.616486
0.5864

Dependent Variable: D(ALICORC1)
Date: 07/19/16 Time: 11:52
Variable
Coefficient
Std. Error
t-Statistic
Prob.
ALICORC1(-1)
D(ALICORC1(-1))
-0.000112
0.113578
0.000404
0.031448
-0.276533
3.611573
0.7822
0.0003
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.012962
0.011973
0.097886
9.562578
906.0104
2.003050
Mean dependent var

S.D. dependent var
Schwarz criterion
-0.000220
0.098478
-1.808021
-1.798205
-1.804290

El Valor de Augmented Dickey-Fuller test statistic no supera
en los tres niveles de significancia y arroja una probabilidad del
58.64 % de acertar si acepto la hiptesis nula.
Prueba de Augmented Dickey-Fuller con Primeras diferencias
Tabla N 7: Augmented Dickey- Fuller ALICORC1 AR(1).
Null Hypothesis: D(ALICORC1) has a unit root

Exogenous: None

1% level
5% level
42
t-Statistic
Prob.*
-28.20139
-2.567277
-1.941140
0.0000
10% level
-1.616486

Dependent Variable: D(ALICORC1,2)
Date: 07/19/16 Time: 11:52
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(ALICORC1(-1))
-0.886465
0.031433
-28.20139
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Fuente:
0.443243
0.443243
0.097841
9.563311
905.9721
2.003034
Elaboracin
del
Mean dependent var

S.D. dependent var
Schwarz criterion
grupo
de
-2.00E-05
0.131126
-1.809944
-1.805036
-1.808079
investigacin.

y me arroja una probabilidad de cero, de equivocarme si rechazo la
hiptesis nula, hay estacionariedad en primeras diferencias de la
serie ALICORPC1.
4.3.3. MILPOC1
Tabla N 8: Augmented Dickey- Fuller MILPOC1.
Null Hypothesis: MILPOC1 has a unit root
Exogenous: None

1% level
5% level
10% level
43
t-Statistic
Prob.*
-2.381577
-2.567274
-1.941140
-1.616486
0.0167

Dependent Variable: D(MILPOC1)
Date: 07/19/16 Time: 15:27
Variable
Coefficient
Std. Error
t-Statistic
Prob.
MILPOC1(-1)
-0.001321
0.000555
-2.381577
0.0174
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.001973
0.001973
0.050150
2.515035
1575.870
1.838854
Mean dependent var

S.D. dependent var
Schwarz criterion
-0.003047
0.050200
-3.146593
-3.141689
-3.144729

en los tres niveles de significancia y arroja una probabilidad del 1.67
% de fallar si se acepta la hiptesis nula; es decir la serie MILPOC1
tiene raz unitaria.
Tabla N 9: Augmented Dickey- Fuller MILPOC1 AR(1).
Null Hypothesis: D(MILPOC1) has a unit root
Exogenous: None

1% level
5% level
10% level
t-Statistic
Prob.*
-19.74358
-2.567279
-1.941140
-1.616486
0.0000

Dependent Variable: D(MILPOC1,2)
Date: 07/19/16 Time: 15:30
Variable
Coefficient
44
Std. Error
t-Statistic
Prob.
D(MILPOC1(-1))
D(MILPOC1(-1),2)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
-0.842522
-0.081590
0.462719
0.462180
0.049954
2.487878
1577.145
1.999817
0.042673
0.031522
-19.74358
-2.588393
Mean dependent var

S.D. dependent var
Schwarz criterion
0.0000
0.0098
-7.01E-05
0.068116
-3.153444
-3.143620
-3.149710

y me arroja una probabilidad de cero, de equivocarme si rechazo
la hiptesis nula, hay estacionariedad en primeras diferencias de la
serie MILPOC1.
4.3.4. IFS
Tabla N 10: Augmented Dickey- Fuller IFS.
Null Hypothesis: IFS has a unit root
Exogenous: None

1% level
5% level
10% level
t-Statistic
Prob.*
-0.400758
-2.567274
-1.941140
-1.616486
0.5394

Dependent Variable: D(IFS)
Date: 07/19/16 Time: 15:36
Variable
Coefficient
Std. Error
t-Statistic
Prob.
IFS(-1)
-0.000164
0.000408
-0.400758
0.6887
45
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.000096
0.000096
0.405450
164.3897
-516.1967
2.000833
Mean dependent var

S.D. dependent var
Schwarz criterion
-0.003247
0.405470
1.033360
1.038264
1.035224

53.94 % de acertar si acepto la hiptesis nula; es decir la serie IFS
no tiene raz unitaria.
Tabla N 11: Augmented Dickey- Fuller IFS AR(1).
Null Hypothesis: D(IFS) has a unit root
Exogenous: None

1% level
5% level
10% level
t-Statistic
Prob.*
-31.62023
-2.567277
-1.941140
-1.616486
0.0000

Dependent Variable: D(IFS,2)
Date: 07/19/16 Time: 15:42
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(IFS(-1))
-1.000420
0.031639
-31.62023
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.500210
0.500210
0.405685
164.4161
-516.2610
1.999888
46
Mean dependent var

S.D. dependent var
Schwarz criterion
0.000000
0.573846
1.034522
1.039430
1.036387

El Valor de Augmented Dickey-Fuller test statistic supera
significativamente a los tres niveles de significancia y me arroja una
probabilidad de cero, de equivocarme si rechazo la hiptesis nula,
hay estacionariedad en primeras diferencias de la serie IFS.
4.3.5. GRAMONC1
Tabla N 12: Augmented Dickey- Fuller GRAMONC1.
Null Hypothesis: GRAMONC1 has a unit root
Exogenous: None

1% level
5% level
10% level
t-Statistic
Prob.*
-0.755117
-2.567277
-1.941140
-1.616486
0.3892

Dependent Variable: D(GRAMONC1)
Date: 07/19/16 Time: 16:07
Variable
Coefficient
Std. Error
t-Statistic
Prob.
GRAMONC1(-1)
D(GRAMONC1(-1))
-0.000370
0.111986
0.000490
0.031447
-0.755117
3.561080
0.4504
0.0004
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.011978
0.010988
0.136361
18.55716
574.5113
1.997341
Mean dependent var

S.D. dependent var
Schwarz criterion
47
-0.004730
0.137116
-1.145023
-1.135207
-1.141292

38.92 % de acertar si acepto la hiptesis nula; es decir la serie IFS
no tiene raz unitaria.
Tabla N 13: Augmented Dickey- Fuller GRAMONC1 AR(1).
Null Hypothesis: D(GRAMONC1) has a unit root
Exogenous: None

1% level
5% level
10% level
t-Statistic
Prob.*
-28.23864
-2.567277
-1.941140
-1.616486
0.0000

Dependent Variable: D(GRAMONC1,2)
Date: 07/19/16 Time: 16:10
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(GRAMONC1(-1))
-0.887796
0.031439
-28.23864
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.443894
0.443894
0.136332
18.56776
574.2257
1.997370
Mean dependent var

S.D. dependent var
Schwarz criterion
1.00E-05
0.182818
-1.146451
-1.141544
-1.144586

48
hay estacionariedad en primeras diferencias de la
serie
GRAMONC1.
4.3.6. BAP
Tabla N 14: Augmented Dickey- Fuller BAP.
Null Hypothesis: BAP has a unit root
Exogenous: None

1% level
5% level
10% level
t-Statistic
Prob.*
-0.362309
-2.567274
-1.941140
-1.616486
0.5542

Dependent Variable: D(BAP)
Date: 07/19/16 Time: 16:31
Variable
Coefficient
Std. Error
t-Statistic
Prob.
BAP(-1)
-0.000164
0.000453
-0.362309
0.7172
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.000099
0.000099
1.954962
3821.876
-2090.898
1.945716
Mean dependent var

S.D. dependent var
Schwarz criterion
-0.011089
1.955059
4.179617
4.184521
4.181481

Tabla N 15: Augmented Dickey- Fuller BAP AR(1).
Null Hypothesis: D(BAP) has a unit root

Exogenous: None
49

1% level
5% level
10% level
t-Statistic
Prob.*
-30.76341
-2.567277
-1.941140
-1.616486
0.0000

Dependent Variable: D(BAP,2)
Date: 07/19/16 Time: 16:32
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(BAP(-1))
-0.972922
0.031626
-30.76341
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.486478
0.486478
1.955287
3819.325
-2088.975
1.998050
Mean dependent var

S.D. dependent var
Schwarz criterion
0.000500
2.728543
4.179951
4.184858
4.181816

hay estacionariedad en primeras diferencias de la serie BAP.
4.3.7. CONTINC1
Tabla N 16: Augmented Dickey- Fuller CONTINC1.
Null Hypothesis: CONTINC1 has a unit root
Exogenous: None

1% level
50
t-Statistic
Prob.*
-1.103505
-2.567274
0.2452
5% level
10% level
-1.941140
-1.616486

Dependent Variable: D(CONTINC1)
Date: 07/19/16 Time: 22:15
Variable
Coefficient
Std. Error
t-Statistic
Prob.
CONTINC1(-1)
-0.000525
0.000476
-1.103505
0.2701
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
-0.000061
-0.000061
0.084399
7.123126
1054.819
1.853942
Mean dependent var

S.D. dependent var
Schwarz criterion
-0.003017
0.084396
-2.105533
-2.100629
-2.103669

en los tres niveles de significancia aunque se acerca mucho, arroja
una probabilidad del 24.52% de acertar si rechazo la hiptesis nula;
es decir la serie CONTINC1 no tiene raz unitaria.
Tabla N 17: Augmented Dickey- Fuller CONTINC1 AR(1).
Null Hypothesis: D(CONTINC1) has a unit root
Exogenous: None

1% level
5% level
10% level

Dependent Variable: D(CONTINC1,2)
51
t-Statistic
Prob.*
-29.35825
-2.567277
-1.941140
-1.616486
0.0000
Date: 07/19/16 Time: 22:19

Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(CONTINC1(-1))
-0.926330
0.031553
-29.35825
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.463165
0.463165
0.084263
7.093094
1055.378
1.992257
Mean dependent var

S.D. dependent var
Schwarz criterion
0.000000
0.115004
-2.108757
-2.103849
-2.106891
4.3.8. MINSURI1
Tabla N 18: Augmented Dickey- Fuller MINSRI1.
Null Hypothesis: MINSURI1 has a unit root
Exogenous: None

1% level
5% level
10% level
t-Statistic
Prob.*
-1.856978
-2.567277
-1.941140
-1.616486
0.0604

Dependent Variable: D(MINSURI1)
Date: 07/19/16 Time: 22:24
Variable
Coefficient
Std. Error
t-Statistic
Prob.
MINSURI1(-1)
D(MINSURI1(-1))
-0.001051
0.129344
0.000566
0.031357
-1.856978
4.124945
0.0636
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.016684
0.015699
0.033620
1.128020
1974.707
2.006182
52
Mean dependent var

S.D. dependent var
Schwarz criterion
-0.002200
0.033887
-3.945414
-3.935598
-3.941683

Tabla N 19: Augmented Dickey- Fuller MINSURI1 AR(1).
Null Hypothesis: D(MINSURI1) has a unit root

Exogenous: None

1% level
5% level
10% level
t-Statistic
Prob.*
-27.67614
-2.567277
-1.941140
-1.616486
0.0000

Dependent Variable: D(MINSURI1,2)
Date: 07/19/16 Time: 22:25
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(MINSURI1(-1))
-0.867969
0.031362
-27.67614
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.433984
0.433984
0.033661
1.131918
1972.982
2.006917
Mean dependent var

S.D. dependent var
Schwarz criterion
6.65E-19
0.044741
-3.943965
-3.939057
-3.942099

hay estacionariedad en primeras diferencias de la serie MINSURI1.
53
4.3.9. FERREYC1
Tabla N 20: Augmented Dickey- Fuller FERREYC1.
Null Hypothesis: FERREYC1 has a unit root
Exogenous: None

1% level
5% level
10% level
t-Statistic
Prob.*
-1.067747
-2.567277
-1.941140
-1.616486
0.2586

Dependent Variable: D(FERREYC1)
Date: 07/19/16 Time: 22:28
Variable
Coefficient
Std. Error
t-Statistic
Prob.
FERREYC1(-1)
D(FERREYC1(-1))
-0.000585
0.120281
0.000548
0.031393
-1.067747
3.831462
0.2859
0.0001
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.014930
0.013943
0.034179
1.165849
1958.214
1.989848
Mean dependent var

S.D. dependent var
Schwarz criterion
-0.000990
0.034420
-3.912428
-3.902613
-3.908698

en los tres niveles de significancia aunque se acerca mucho, arroja
una probabilidad del 25.86% de acertar si rechazo la hiptesis nula;
es decir la serie FERREYC1 no tiene raz unitaria.
Tabla N 21: Augmented Dickey- Fuller FERREYC1 AR(1).
Null Hypothesis: D(FERREYC1) has a unit root
54
Exogenous: None

1% level
5% level
10% level
t-Statistic
Prob.*
-28.00661
-2.567277
-1.941140
-1.616486
0.0000

Dependent Variable: D(FERREYC1,2)
Date: 07/19/16 Time: 22:28
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(FERREYC1(-1))
-0.879143
0.031391
-28.00661
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.439825
0.439825
0.034181
1.167181
1957.643
1.989846
Mean dependent var

S.D. dependent var
Schwarz criterion
-2.00E-05
0.045669
-3.913287
-3.908379
-3.911421

hay estacionariedad en primeras diferencias de la serie FERREYC1.
4.3.10. BVN
Tabla N 22: Augmented Dickey- Fuller BVN.
Null Hypothesis: BVN has a unit root
Exogenous: None
t-Statistic
55
Prob.*

1% level
5% level
10% level
-2.590985
-2.567274
-1.941140
-1.616486
0.0093

Dependent Variable: D(BVN)
Date: 07/19/16 Time: 22:49
Variable
Coefficient
Std. Error
t-Statistic
Prob.
BVN(-1)
-0.001684
0.000650
-2.590985
0.0097
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.001090
0.001090
0.464575
215.8304
-652.4594
2.020681
Mean dependent var

S.D. dependent var
Schwarz criterion
-0.034815
0.464829
1.305613
1.310517
1.307477

El Valor de Augmented Dickey-Fuller test statistic supera en
los tres niveles de significancia, arroja una probabilidad del 0.93%
de acertar si se acepta la hiptesis nula; es decir la serie FERREYC1
tiene raz unitaria.
Tabla N 23: Augmented Dickey- Fuller BVN AR(1).
Null Hypothesis: D(BVN) has a unit root

Exogenous: None

1% level
5% level
10% level
56
t-Statistic
Prob.*
-31.77475
-2.567277
-1.941140
-1.616486
0.0000

Dependent Variable: D(BVN,2)
Date: 07/19/16 Time: 22:51
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(BVN(-1))
-1.005295
0.031638
-31.77475
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.502647
0.502647
0.466359
217.2732
-655.6387
1.999930
Mean dependent var

S.D. dependent var
Schwarz criterion
7.97E-18
0.661284
1.313277
1.318185
1.315143

hay estacionariedad en primeras diferencias de la serie BVN.
4.3.11. S&P/ BVLG

Tabla N 24: Augmented Dickey- Fuller S&P/BVLG.
Null Hypothesis: SPBVLG has a unit root
Exogenous: None

1% level
5% level
10% level

Dependent Variable: D(SPBVLG)
57
t-Statistic
Prob.*
-1.650558
-2.567277
-1.941140
-1.616486
0.0934

Date: 07/19/16 Time: 23:50
Variable
Coefficient
Std. Error
t-Statistic
Prob.
SPBVLG(-1)
D(SPBVLG(-1))
-0.000482
0.171916
0.000292
0.031166
-1.650558
5.516176
0.0991
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.029201
0.028228
156.8139
24541405
-6472.997
1.990790
Mean dependent var

S.D. dependent var
Schwarz criterion
-10.09150
159.0751
12.94999
12.95981
12.95372

en los tres niveles de significancia aunque supera al nivel de
significancia del 10%, arroja una probabilidad del 9.34% de acertar
si rechazo la hiptesis nula; es decir la serie S&P/BVLG no tiene
raz unitaria.
Tabla N 25: Augmented Dickey- Fuller S&P/BVLG AR(1).
Null Hypothesis: D(SPBVLG) has a unit root
Exogenous: None

1% level
5% level
10% level

Dependent Variable: D(SPBVLG,2)
Date: 07/20/16 Time: 00:05
58
t-Statistic
Prob.*
-26.49789
-2.567277
-1.941140
-1.616486
0.0000
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(SPBVLG(-1))
-0.825483
0.031153
-26.49789
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.412746
0.412746
156.9491
24608398
-6474.360
1.991394
Mean dependent var

S.D. dependent var
Schwarz criterion
-0.004400
204.8076
12.95072
12.95563
12.95259

hay estacionariedad en primeras diferencias de la serie S&P/BVLG.
Los resultados son muy diferentes si analizamos la presencia
de raz unitaria en cada uno de los retornos de los valores
examinados se puede observar que todos los valores presentan
significativamente
raz
unitaria,
configurando
asi
un
comportamiento de caminata aleatoria o Random Walk.

Luego de analizar la estacionariedad en las series los test de Dickey
Fuller Aumentado se puede afirmar que los activos si soportan y
aceptan la aletoridad.
4.4.
Modelos AR(1)
Una vez de comprobar la estacionariedad con la raz unitaria
de las serien en el anlisis realizamos la modelacin AR(1) con el
fin de identicar errores de predicin.
59
4.4.1. VOLCABC1
Tabla N 26: Modelo AR(1) VOLCABC1.
Dependent Variable: VOLCABC1
Date: 07/23/16 Time: 10:18
Convergence achieved after 2 iterations
Variable
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Coefficient
Std. Error
t-Statistic
Prob.
0.998398
0.000599
1667.973
0.0000
0.998778
0.998778
0.035074
1.230194
1933.785
1.921375
Mean dependent var

S.D. dependent var
Schwarz criterion
1.554002
1.003225
-3.861708
-3.856804
-3.859844
1.00

En la regresin del modelo AR(1) para VOLCABC1 se muestra una
significacia del modelo consistente con muy buena significacia del
parmetro AR(1).
4.4.2. ALICORPC1
Tabla N 27: Modelo AR(1) ALICORC1.
Dependent Variable: ALICORC1
Date: 07/23/16 Time: 10:34
Variable
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
0.999898
0.000406
2462.823
0.0000
0.995098
0.995098
0.098428
9.687983
900.8958
1.772819
60
Mean dependent var

S.D. dependent var
Schwarz criterion
7.532527
1.405845
-1.797994
-1.793090
-1.796130
Inverted AR Roots
1.00

En la regresin del modelo AR(1) para ALICORC1 se
muestra una significacia del modelo consistente con muy buena
significacia del parmetro AR(1).
4.4.3. MILPOC1
Tabla N 28: Modelo AR(1) MILPOC1.
Dependent Variable: MILPOC1
Date: 07/23/16 Time: 10:38
Variable
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Coefficient
Std. Error
t-Statistic
Prob.
0.998679
0.000555
1800.014
0.0000
0.997804
0.997804
0.050150
2.515035
1575.870
1.838854
Mean dependent var

S.D. dependent var
Schwarz criterion
2.645574
1.070183
-3.146593
-3.141689
-3.144729
1.00

En la regresin del modelo AR (1) para MILPOC1 se muestra
una significacia del modelo consistente con muy buena significacia
del parmetro AR (1).
4.4.4. IFS
Tabla N 29: Modelo AR (1) IFS.
Dependent Variable: IFS
61

Date: 07/23/16 Time: 10:41
Variable
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Coefficient
Std. Error
t-Statistic
Prob.
0.999836
0.000408
2449.900
0.0000
0.986153
0.986153
0.405450
164.3897
-516.1967
2.000833
Mean dependent var

S.D. dependent var
Schwarz criterion
31.20876
3.445568
1.033360
1.038264
1.035224
1.00

En la regresin del modelo AR (1) para IFS se muestra una
parmetro AR (1).
4.4.5. GRAMONC1
Tabla N 30: Modelo AR(1) GRAMONC1.
Dependent Variable: GRAMONC1
Date: 07/23/16 Time: 10:43
Variable
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Coefficient
Std. Error
t-Statistic
Prob.
0.999615
0.000492
2030.541
0.0000
0.997738
0.997738
0.137088
18.79312
569.2622
1.775972
1.00
62
Mean dependent var

S.D. dependent var
Schwarz criterion
8.314296
2.882355
-1.135389
-1.130485
-1.133525

En la regresin del modelo AR (1) para GRAMONC1 se
significacia del parmetro AR (1).
4.4.6. BAP
Tabla N 31: Modelo AR(1) BAP.
Dependent Variable: BAP
Date: 07/23/16 Time: 10:54
Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.999836
0.000453
2209.127
0.0000
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
0.985492
0.985492
1.954962
3821.876
-2090.898
1.945716
Mean dependent var

S.D. dependent var
Schwarz criterion
135.5496
16.23073
4.179617
4.184521
4.181481
1.00

En la regresin del modelo AR (1) para BAP se muestra una
parmetro AR (1).
4.4.7. CONTINC1
Tabla N 32: Modelo AR (1) CONTINC1.
Dependent Variable: CONTINC1

63
Date: 07/23/16 Time: 10:58

Variable
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Coefficient
Std. Error
t-Statistic
Prob.
0.999475
0.000476
2100.786
0.0000
0.995007
0.995007
0.084399
7.123126
1054.819
1.853942
Mean dependent var

S.D. dependent var
Schwarz criterion
5.476044
1.194392
-2.105533
-2.100629
-2.103669
1.00

En la regresin del modelo AR(1) para CONTINC1 se
significacia del parmetro AR(1).
4.4.8. MINSURI1
Tabla N 33: Modelo AR (1) MINSURI1.
Dependent Variable: MINSURI1
Date: 07/23/16 Time: 11:01
Variable
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Coefficient
Std. Error
t-Statistic
Prob.
0.998843
0.000569
1754.827
0.0000
0.997032
0.997032
0.033871
1.147262
1968.716
1.741092
1.00
64
Mean dependent var

S.D. dependent var
Schwarz criterion
1.773237
0.621717
-3.931501
-3.926598
-3.929638

En la regresin del modelo AR (1) para MINSURI1 se
4.4.9. FERREYC1
Tabla N 34: Modelo AR (1) FERREYC1.
Dependent Variable: FERREYC1
Date: 07/23/16 Time: 11:03
Variable
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Coefficient
Std. Error
t-Statistic
0.999404
0.000551
1813.680
0.995035
0.995035
0.034420
1.184712
1952.640
1.757690
Mean dependent var

S.D. dependent var
Schwarz criterion
1.00

En la regresin del modelo AR (1) para FERREYC1 se muestra una
parmetro AR (1).
4.4.10. BVN
Tabla N 35: Modelo AR (1) BVN.
Dependent Variable: BVN
Date: 07/23/16 Time: 11:05
65

Variable
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Coefficient
Std. Error
t-Statistic
Prob.
0.998316
0.000650
1536.228
0.0000
0.998506
0.998506
0.464575
215.8304
-652.4594
2.020681
Mean dependent var

S.D. dependent var
Schwarz criterion
19.09809
12.01970
1.305613
1.310517
1.307477
1.00

En la regresin del modelo AR (1) para BVN se muestra una
parmetro AR (1).
4.4.11. S&P / BVLG PER GENERAL

Tabla N 36: Modelo AR(1) S&P/BVLG.
Dependent Variable: SPBVLG
Date: 07/23/16 Time: 11:07
Variable
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Coefficient
Std. Error
t-Statistic
Prob.
0.999441
0.000295
3383.439
0.0000
0.998096
0.998096
159.0402
25293793
-6494.084
1.655773
Mean dependent var

S.D. dependent var
Schwarz criterion
1.00
66
16613.83
3644.810
12.97719
12.98209
12.97905
En la regresin del modelo AR (1) para S&P/ BVLG se

Cabe resaltar que los modelos AR (1) son los denominados
mejores modelos de acuerdo al Akaike info criterion y Schwarz
criterion y ya que son consistetes, calculamos al Erro Porcentual
Absoluto Medio (MAPE) con la finalidad de ver si los valores
efectivamente son impredecibles.
4.5.
Anlisis de resultados
Tabla N 37 : Resumen de pruebas realizadas a los valores en

estudios.
VOLCABC1 ALICORC1 MILPOC1
Jarque-Bera
Prob
Ljung-Box primer retorno

AC
PAC
Q-Stat
Prob
Dickey Fuller Aumentado
AR
Condicion de
Aleatoridad
MAPE
IFS
GRAMONC1 BAP
888.96
911.39
14231.58 2379.62
0.00
0.00
0.00
0.00
0.00
0.04
0.04
1.44
0.23
0.11
0.11
12.94
0.00
0.08
0.08
6.52
0.01
0.00
0.00
0.00
0.99
CONTINC1
14906.61 212.80
MINSURI1 FERREYC1 BVN
SPBVLG
111556.30
1433.65
21620.42 654.57
648.78
0.00
0.00
0.00
0.00
0.00
0.00
0.11
0.11
12.40
0.00
0.03
0.03
0.73
0.39
0.07
0.07
5.27
0.02
0.13
0.13
16.54
0.00
0.12
0.12
14.48
0.00
-0.01
-0.01
0.12
0.73
0.17
0.17
29.42
0.00
-30.42
-28.20
-19.74
-31.62
-28.24
-30.76
-29.36
-27.68
-28.01
-31.77
-26.50
1% level
-3.44
-2.57
-2.57
-2.57
-2.57
-2.57
-2.57
-2.57
-2.57
-2.57
-2.57
5% level
-2.86
-1.94
-1.94
-1.94
-1.94
-1.94
-1.94
-1.94
-1.94
-1.94
-1.94
10% level
-2.57
-1.62
-1.62
-1.62
-1.62
-1.62
-1.62
-1.62
-1.62
-1.62
-1.62
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
Si
Si
Si
Si
Si
Si
Si
Si
Si
Si
Si
0.083
0.045
0.011
0.021
0.066
0.066
0.026
0.029
0.025
0.040
0.035

En el grfico se puede observar que todas las series
analizadas si cumplen la condicin de aleatoridad.
67
Al analizar la prueba de Ljung-Box de las series originales

nos muestra que todas las series tienen un proceso integrado de orden
1, este comportamiento se esperaba ya que muchos autores iniciando
con (Fama, 1970) coinciden en que un proceso integrado de orden
1 es un Random Walk. Los rendimientos no presentan
autocorrelacin significativa y configuran un proceso integrado de
orden cero, AR (0).
Para el anlisis de raz unitaria y estacionariedad no solose
uso la metodologa de Ljung-Box si no que tambin pruebas como
la de Dickey Fuller Aumentado. Precisamente en el anlisis
realizado a todas las series segn la prueba de Dickey Fuller
aumentado arroja raz unitaria de orden 1; es decir que las series
presentan raz unitaria y por lo tanto configuran un Random Walk.
Grfico N 5: Prueba de Dickey Fuller Aumetada para valores.
0
-0.5
-1
-1.5
-2
-2.5
-3
-3.5
-4
1% level
5% level
68
10% level
En el grfico podemos observar que el valor del ADF es

menor a los t-statistic en los tres nivels de significancia, con
ecepcin de la serie VOLCABC1, pero en este caso no goza de
significancia.
Grfico N 6: Prueba de Dickey Fuller Aumetada para valores en
primeras diferencias.
0.00
-5.00
-10.00
-15.00
-20.00
-25.00
-30.00
-35.00
1% level
5% level
10% level

En el grfico podemos observar que el valor del ADF es
mayor a los t-statistic en los tres nivels de significancia.
Concluyentemente podemos decir que las series en primeras
diferencias de los activos (los rendimientos) son estacionarios.
Recordemos que un modelo AR (1) se expresa para BVN de la
siguiente manera BVN= BVNt-1 + t.
Donde BVN es la serie de cotizacin de Buenaventura, BVNT-1 es
la cotizacin de Buenaventura en el perido anterior y t, es el error
estocstico, la lgica de este test lo podemos ver en el Anexo N 4.
69
Grfico N 7: Error porcentual absoluto medio (MAPE).
MAPE
SPBVLG
BVN
FERREYC1
MINSURI1
CONTINC1
BAP
GRAMONC1
IFS
MILPOC1
ALICORC1
VOLCABC1
0.000
0.010
0.020
0.030
0.040
0.050
0.060
0.070
0.080

Segn investigaciones empricas coma la presentada por
(Esteban Gardozo, 2013) en un estudio realizado al mercado bursatil
Colombiano en donde
pueden predecir
menciona que los valores que menos se
con sus cotizaciones pasadas son los que
presentaran de mejor forma la eficiencia dbil de mercado.

Precisamente en trminos porcentuales como se puede
deducir del grfico anterior el ndice Indice de la Bolsa de Valores
de Lima General (S&P/ BVLG) presenta un error porcentual de
predeccin intermedio con relacin a los valores examinados, si bien
en trminos pocentuales puede parecer algo predecible en trminos
absolutos es el que presenta mas error de predicin. Lo hallado en
este estudio conincide con muchos estudios empricos que afirman
que las cotizaciones burstiles son impredesibles.
70
0.090
CAPTULO V
CONCLUSIONES Y RECOMENDACIONES
71
4.6.
Conclusiones
En el la investigacin se comprob que los valores del mercado

bursatil Peruano si se comportan
como un Random Walk o
Caminata Aleatoria ya que presentan un proceso integrado de orden

1, las cotizaciones diarias de los valores son no estacionarios, las
primeras diferencias de estos, si son estacionarios y presentan un
proceso integrado de orden cero. Tanto con la prueba incorrelacin
(Correlograma) , Dickey Fuller Aumentado, la identificacin de la
no estacionariedad o raz unitaria aceptan la aleatoridad en los
valores analizados, Determinando asi que el mercado de valores
Peruano si presenta Eficiencia Dbil de Mercado.
Se determino que el tipo de Random Walk 3 pueda comprobar la

eficiencia dbil del mercado de Valores Peruano 2012 2015, ya que
el Random Walk 1,
Random Walk 2, son un caso especial del
Random Walk 3.
La pruebas y estadsticos para comprobar la aletoriedad del Modelo

Random Walk
y afirmar la hiptesis de eficiencia dbil del
mercado de Valores Peruano 2012 2015 son significantivas y

consistentes.
72
4.7.
Recomendaciones
En el trabajo de investigacin se encuentra que las cotizaciones
de los valores peruanos no se distribuyen en funcin a una distribucin
normal lo que se tendria que tomar en cuenta a la hora de analizar
estadisticamente o econometricamente a un determinado activo.
Para la toma de desiciones sobre el comportamiendo del
mercado Bursatil Peruano de grupos de inters es muy importate tener
en cuenta lo encontrato en este estudios de investigacin, pues se halla
que este es un mercado que presenta eficiencia dbil de mercado, es
decir los precios de los valores si dependen de choques estocsticos.
73
REFERENCIAS
Gmez Bezares, F., Vicente Ugarte, J., & Antonio Madariaga, J. (1998). La Eficiencia en el
Mercado Bursatil Espaol. Madrid.
Bolsa de Valores de Lima. (02http://www.bvl.com.pe/estadist/IndLiq.html de 2015).
Metodologa para el clculo del Indice Lquidez de los valores de renta varible
listados en la BVL.
Caridad y Ocerin, J. M. (2005). Econometra: Modelos Economtricos y Series
Temporales. Barcelona: Editorial Revert S.A.
Duarte Duarte, J. (2014). Comprobacin de la Eficiencia Dbil en los Principales Mercados
Financieros Latinoamericanos. Madrid: Universidad Complutense de Madrid.
Duarte Duarte, J. B., Medina Prez, A., & Romero lvarez, Y. (2012). Estudio de
correlacin serial en las principales empresas de la bolsa de valores de Colombia.
Mxico D.F.
Duarte Duarte, J., & Mascareas Prez-Iigo, J. (2013). La Eficiencia de los Mercados de
Valores: Una Revisin. Madrid.
Esteban Gardozo, J. (2013). Eficiencia de Mercado en la Bolsa de Valores de Colombia; un
acercamiento de desde la hipotesis de sobrerreacin. Bogota: Universidad de
San Andres.
Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work.
New York: American Finance Association.
Francisco Castro, J., & Rivas Llosa, R. (2007). Econometra aplicada. Lima: Centro de
Investigaciones de la Universidad del Pacfico.
Gujarati, D. N., & Porter, D. C. (2011). Econometria Bsica. Mexico DF: Interamericana
Editores SA.
Hanke, J. E., & Wichern, D. W. (2006). Pronostico en los Negocios. Mexico: Pearson.
MiniTab. (10 de 2016). Modelos de Serie de Tiempo. Obtenido de
http://support.minitab.com/es-mx/minitab/17/topic-library/modelingstatistics/time-series/time-series-models/what-are-mape-mad-and-msd/
Snchez Paucar, J. A. (2012). Eficiencia del Mercado Burstil Peruano y Efectos del
Crecimiento Econmico sobre el financiamiento del Sector Privado Perodo 2002
- 2012. Lima: Universidad de Lima.
SMV. (2015). Texto nico Ordenado de la Ley del Mercado de Valores. Lima: SMV.
Trujillo Calagua , G. (2010). Econometria con Eviews. Cajamarca: Centro Papelero de
Norte SA.
74
APNDICE
Apendice N 1: Correlogramas de valores
Apendice N 1.1.: Correlograma de serie VOLCABC1.
Apendice N 1.2.: Correlograma de serie ALICORPC1.
75
Apendice N 1.3.: Correlograma de serie MILPOC1.
Apendice N 1.4.: Correlograma de serie IFS.
Apendice N 1.5.: Correlograma de serie GRAMONC1.
76
Apendice N 1.6.: Correlograma de serie BAP.
Apendice N 1.7.: Correlograma de serie CONTINC1.
77
Apendice N 1.8.:: Correlograma de serie MINSURI1.
Apendice N 1.9.: Correlograma de serie FERREYC1.
78
Apendice N 1.10.: Correlograma de serie BVN.
Apendice N 1.11.:Correlograma de serie S&P/ BVLG.
79
Apendice N 1.11.: Correlograma de serie S&P 500.
Apendice N 2: Correlogramas de valores en primeras diferencias.

. Apendice N 2.1.: Correlograma de serie VOLCABC1 en primeras diferencias.
80
Apendice N 2.2.: Correlograma de serie ALICORPC1 en primeras diferencias.
Apendice N 2.3.: Correlograma de serie MILPOC1 en primeras diferencias.
81
Apendice N 2.4.: Correlograma de serie IFS en primeras diferencias.
Apendice N 2.5.: Correlograma de serie GRAMONC1 en primeras diferencias.
82
Apendice N 2.6.:Correlograma de serie BAP en primeras diferencias.
Apendice N 2.7.: Correlograma de serie CONTINC1 en primeras diferencias.
83
Apendice N 2.8.:: Correlograma de serie MINSURI1 en primeras diferencias.
Apendice N 2.9.: Correlograma de serie FERREYC1 en primeras diferencias
84
.
Apendice N 2.10.: Correlograma de serie BVN en primeras diferencias.
Apendice N 2.11.:Correlograma de serie S&P/ BVLG en primeras diferencias.
85
Apendice N 3: Proyeccin de valores

Fecha
04/01/2016
05/01/2016
06/01/2016
07/01/2016
08/01/2016
11/01/2016
Fecha
04/01/2016
05/01/2016
06/01/2016
07/01/2016
08/01/2016
11/01/2016
Observacion PVOLCABC1 VOLCABC1 PALICORC1 ALICORC1 PMILPOC1 MILPOC1 PIFS

IFS
0.1850
5.7000
1.6000
1003
0.1897
5.7994
1.5979
22.7463
0.1790
5.6500
1.6000
1004
0.1894
5.7988
1.5958
22.7426
0.1750
5.5500
1.6000
1005
0.1891
5.7982
1.5937
22.7389
0.1700
5.5000
1.5600
1006
0.1888
5.7976
1.5916
22.7351
5.4500
1.5600
1007
0.1885 0.170000
5.7970
1.5895
22.7314
0.1690
5.4500
1.5600
1008
0.1882
5.7964
1.5874
22.7277
FERREYC1 PBVN
BVN
Observacion PCONTINC1 CONTINC1 PMINSURI1 MINSURI1 PFERREYC1
2.7800
0.5000
1.3500
1003
2.7785
0.4994
1.3492
4.1430
2.7500
0.5000
1.3300
1004
2.7771
0.4988
1.3484
4.1360
2.7000
0.5000
1.3000
1005
2.7756
0.4983
1.3476
4.1291
2.7000
0.5000
1.3000
1006
2.7742
0.4977
1.3468
4.1221
2.6600
0.4600
1.3000
1007
2.7727
0.4971
1.3460
4.1152
2.6500
0.4600
1.3100
1008
2.7713
0.4965
1.3452
4.1083
86
PGRAMONC1 GRAMONC1 PBAP
1.9692
1.9685
1.9677
1.9670
1.9662
1.9655
22.7400
22.7400
22.7400
22.6500
21.9000
21.0000
PSPBVLG
4.4500
4.4500
4.3500
4.1600
4.1600
4.0000
9843.0881
9837.5894
9832.0936
9826.6010
9821.1114
9815.6249
1.9700
1.9000
1.7700
1.7500
1.7500
SPBVLG
9793.0900
9697.0800
9613.1500
9454.6200
9328.2000
9152.2700
BAP
97.8839
97.8679
97.8518
97.8358
97.8198
97.8037
1.9700
PSP500
2044.6930
2045.4464
2046.2000
2046.9540
2047.7082
2048.4627
95
94
94
90
89
88
SP500
2012.6
2016.7
1990.2
1943.0
1922.0
1923.6
ANEXOS
Anexo N1: Prueba de Ljung-Box
Segn (Caridad y Ocerin, 2005) La prueba de Ljung-Box se puede definir
de la siguiente manera.
H0: Los datos se distribuyen de forma independiente (es decir, las
correlaciones en la poblacin de la que se toma la muestra son 0, de modo
que cualquier correlacin observada en los datos es el resultado de la
aleatoriedad del proceso de muestreo).
Ha: Los datos no se distribuyen de forma independiente.
La estadstica de prueba es:
donde n es el tamao de la muestra,
es la autocorrelacin de la
muestra en el retraso k y h es el nmero de retardos que se estn

probando. Por nivel de significacin , la regin crtica para el rechazo
de la hiptesis de aleatoriedad es
donde
es la - cuantil de la distribucin chi-cuadrado con h
grados de libertad.
La prueba de Ljung-Box se utiliza comnmente en autorregresivo
integrado de media mvil de modelado (ARIMA). Tenga en cuenta que
87
se aplica a los residuos de un modelo ARIMA equipada, no en la serie

original, y en tales aplicaciones, la hiptesis de hecho objeto del ensayo
es que los residuos del modelo ARIMA no tienen autocorrelacin. Al
probar los residuales de un modelo ARIMA estimado, los grados de
libertad deben ser ajustados para reflejar la estimacin de parmetros.
Anexo N 2 : Descripcion de la prueba Dickey-Fuller aumentada (ADF)
Segn (Francisco Castro & Rivas Llosa, 2007) La prueba de DickeyFuller aumentada (ADF) es una prueba de raz unitaria para una muestra
de una serie de tiempo. Es una versin aumentada de la prueba DickeyFuller para un conjunto ms amplio y ms complejo de modelos de series
de tiempo. La estadstica Dickey-Fuller Aumentada(ADF), utilizada en
la prueba, es un nmero negativo. Cuanto ms negativo es, ms fuerte es
el rechazo de la hiptesis nula de que existe una raz unitaria para un
cierto nivel de confianza.
El procedimiento para la prueba de ADF es la misma que para la prueba
de Dickey-Fuller pero se aplica al modelo:
Donde es una constante, el coeficiente sobre una tendencia temporal

y p el orden de retraso del proceso autorregresivo. La imposicin de las
restricciones =0 y =0 y corresponde a modelar un camino aleatorio y
mediante la restriccin =0 corresponde a modelar un paseo aleatorio
con una deriva. En consecuencia, hay tres versiones principales de la
prueba, de forma anloga a los discutidos en la pgina de Wikipedia para
88
el test de Dickey-Fuller . Vea esa pgina para una discusin sobre cmo
lidiar con la incertidumbre sobre la inclusin de la interseccin y
trminos de tendencia de tiempo determinista en la ecuacin de prueba.
Con la inclusin de retardos de la orden p de la formulacin ADF permite
procesos autorregresivos de orden superior. Un enfoque alternativo
consiste en examinar los criterios de informacin, como el Criterio de
Informacin de Akaike, el criterio de informacin bayesiano o el criterio
de informacin de Hannan-Quinn.
La prueba de raz unitaria se lleva a cabo entonces bajo la hiptesis
nula
contra la hiptesis alternativa de
. Una vez que el
valor de la estadstica de prueba
Se calcula que puede ser comparado con el valor crtico relevante para la
prueba de Dickey-Fuller. Si el resultado es menor (esta prueba no es
simtrico por lo que no consideramos un valor absoluto) que el valor
crtico (mayor negativo), entonces la hiptesis nula de \ Gamma = 0 es
rechazado y no raz unitaria est presente.
89

Eficiencia Debil Del Mercado de Valores Peruano

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

Eficiencia Debil Del Mercado de Valores Peruano

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD PRIVADA ANTONIO GUILLERMO URRERLO

FACULTAD DE CIENCIAS EMPRESARIALES Y ADMINISTRATIVAS

LA EFICIENCIA DBIL DEL MERCADO DE VALORES PERUANO 2012

UNIVERSIDAD PRIVADA ANTONIO GUILLERMO URRERLO

FACULTAD DE CIENCIAS EMPRESARIALES Y ADMINISTRATIVAS

LA EFICIENCIA DBIL DEL MERCADO DE VALORES

Tesis presentada en cumplimento parcial de los requerimientos para optar el

Bach. Guido Miguel Dvila Rabanal.

UNIVERSIDAD PRIVADA ANTONIO GUILLERMO URRELO

LA EFICIENCIA DBIL DEL MERCADO DE VALORES PERUANO

A nuestros familiares por el Apoyo incondicional al desarrollar el presente

Al Economista Antero Zelada Chvarry por haber apoyado de forma

A los profesores de la facultad de Ciencias Empresariales y Administrativas de

PLANTEAMIENTO DEL PROBLEMA .............................................................................. 2

Descripcin de la realidad ...................................................................................... 2

Formulacin del Problema ..................................................................................... 3

1.2.1. Problema Principal ................................................................................................. 3

Objetivo general y especficos ............................................................................... 4

1.3.1. Objetivo General .................................................................................................... 4

Justificacin de la Investigacin ............................................................................. 4

Operacionalizacin de variables ............................................................................ 5

CAPTULO II MARCO TERICO ............................................................................................ 6

MARCO TERICO ........................................................................................................ 7

Antecedentes de la investigacin .......................................................................... 7

Bases Tericas ...................................................................................................... 10

2.2.1. La Teora de la eficiencia de mercados de Valores .............................................. 10

2.2.9. El recorrido aleatorio tipo 1 (RW1) ...................................................................... 21

Definicin de Trminos Bsicos ........................................................................... 27

CAPTULO III METODOLOGA DE LA INVESTIGACIN ....................................................... 28

METODOLOGA DE LA INVESTIGACIN .................................................................... 29

Tipo de investigacin ........................................................................................... 29

Diseo de investigacin ....................................................................................... 29

Unidad de anlisis ................................................................................................ 29

Mtodos de investigacin .................................................................................... 31

Tcnicas de investigacin ..................................................................................... 32

Tcnicas de anlisis de datos ............................................................................... 32

CAPTULO IV LA EFICIENCIA DBIL DEL MERCADO DE VALORES PERUANO 2012 - 2015:

RESULTADOS DE LA INVESTIGACIN ........................................................................ 34

Valores Examinados ............................................................................................. 34

Analisis de autocorrelacin de Ljung- Box .......................................................... 37

Anlisis de estacionariedad de Dickey - Fuller Aumentado (ADF TEST)............... 39

4.3.1. VOLCABC1 ............................................................................................................ 39

4.4.1. VOLCABC1 ............................................................................................................ 60

4.4.4. IFS ......................................................................................................................... 61

CAPTULO V CONCLUSIONES Y RECOMENDACIONES ....................................................... 71

Tabla N 1: Operacionalizacin de variables. .................................................................... 5

Tabla N 21: Augmented Dickey- Fuller FERREYC1 AR(1) .......................................... 54

1. PLANTEAMIENTO DEL PROBLEMA

los inversionistas, es decir la eficiencia es un factor muy importante

Formulacin del Problema

1.2.1. Problema Principal

1.2.2. Problemas Especificos

Qu tipo de Random Walk

puede comprobar la Eficiencia

Dbil del Mercado de Valores Peruano 2012 2015?

Son significantes las pruebas y estadsticos del Modelo

Objetivo general y especficos

Determinar el tipo de Random Walk que pueda comprobar la

Determinar la significancia de las pruebas y estadsticos del

Es importane investigar este de investigacin debido la eficiecia

Es necesario investigar si existe la eficiencia dbil en el mercado

La presente investigacin servir como punto de partida para futuras

indica que existe eficiencia dbil en el mercado de Valores Peruano