Professional Documents
Culture Documents
Presentada por:
Bach. Guido Miguel Dvila Rabanal.
Bach. Jhony Pal Estrada Hernndez.
Asesor:
Econ. Antero Manuel Zelada Chvarry.
Cajamarca Per
2016
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
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
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.
1.1.
1.2.
1.5.
Hipotesis................................................................................................................. 5
1.6.
2.1.
2.2.
IX
3.1.
3.2.
3.3.
3.4.
Poblacin .............................................................................................................. 30
3.5.
Muestra ................................................................................................................ 30
3.6.
3.7.
3.8.
4.1.
4.2.
4.3.
Modelos AR(1)...................................................................................................... 59
Anlisis de resultados........................................................................................... 67
Conclusiones ......................................................................................................... 72
4.7.
Recomendaciones ................................................................................................. 73
REFERENCIAS..................................................................................................................... 74
APNDICE .......................................................................................................................... 75
ANEXOS ............................................................................................................................. 87
XI
NDICE DE TABLAS
XII
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
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
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
1.4.
Justificacin de la Investigacin
La presente investigacin se justifica en base a las razones
siguientes:
1.5.
Hipotesis
H1: La existencia de aleatoriedad en el modelo Random Walk
Operacionalizacin de variables
Tabla N 1: Operacionalizacin de variables.
Variables
Definicin
Dimensiones
Indicadores
Decisin
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)
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
estocsticos
pero
sus
rendimientos
son
anteriormente descritos
Bases Tericas
10
11
relevante
para
12
querer
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
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:
14
15
16
17
18
valor y0 como
inicial, entonces
yt
-1 +
consecuencia
-2 +
y0
Teniendo
la
yt = j + y0 para j= 1,2, En
media
se
expresa
como:
20
22
23
es la autocorrelacin
es la -
24
nula,
y varianzas de las
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
sea mejor.
busca
identificar
las
autocorrelaciones
ms
25
que consiste en la
26
2.3.
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.
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
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
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
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.
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
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
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
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
36
realizamos
un
(Correlograma).
Grfico N3.: Correlograma de serie VOLCABC1.
37
anlisis
grfico
originales
(cotizaciones diarias)
4.3.1. VOLCABC1
Prueba de Augmented Dickey-Fuller
Tabla N 4: Augmented Dickey- Fuller VOLCABC1.
39
t-Statistic
Prob.*
-0.828610
-3.436663
-2.864216
-2.568247
0.8101
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
-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
t-Statistic
Prob.*
-30.41662
-3.436670
-2.864219
-2.568248
0.0000
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
1.10E-05
0.048681
-3.860041
-3.850225
-3.856310
1.999019
4.3.2. ALICORPC1
Prueba de Augmented Dickey-Fuller
Tabla N6: Augmented Dickey- Fuller ALICORC1.
41
t-Statistic
Prob.*
-0.276533
-2.567277
-1.941140
-1.616486
0.5864
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
-0.000220
0.098478
-1.808021
-1.798205
-1.804290
42
t-Statistic
Prob.*
-28.20139
-2.567277
-1.941140
0.0000
10% level
-1.616486
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
grupo
de
-2.00E-05
0.131126
-1.809944
-1.805036
-1.808079
investigacin.
4.3.3. MILPOC1
Prueba de Augmented Dickey-Fuller
Tabla N 8: Augmented Dickey- Fuller MILPOC1.
Null Hypothesis: MILPOC1 has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=21)
43
t-Statistic
Prob.*
-2.381577
-2.567274
-1.941140
-1.616486
0.0167
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
-0.003047
0.050200
-3.146593
-3.141689
-3.144729
t-Statistic
Prob.*
-19.74358
-2.567279
-1.941140
-1.616486
0.0000
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
0.0000
0.0098
-7.01E-05
0.068116
-3.153444
-3.143620
-3.149710
4.3.4. IFS
Prueba de Augmented Dickey-Fuller
Tabla N 10: Augmented Dickey- Fuller IFS.
Null Hypothesis: IFS has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=21)
t-Statistic
Prob.*
-0.400758
-2.567274
-1.941140
-1.616486
0.5394
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
-0.003247
0.405470
1.033360
1.038264
1.035224
t-Statistic
Prob.*
-31.62023
-2.567277
-1.941140
-1.616486
0.0000
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
0.000000
0.573846
1.034522
1.039430
1.036387
4.3.5. GRAMONC1
Prueba de Augmented Dickey-Fuller
Tabla N 12: Augmented Dickey- Fuller GRAMONC1.
Null Hypothesis: GRAMONC1 has a unit root
Exogenous: None
Lag Length: 1 (Automatic - based on SIC, maxlag=21)
t-Statistic
Prob.*
-0.755117
-2.567277
-1.941140
-1.616486
0.3892
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
47
-0.004730
0.137116
-1.145023
-1.135207
-1.141292
t-Statistic
Prob.*
-28.23864
-2.567277
-1.941140
-1.616486
0.0000
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
1.00E-05
0.182818
-1.146451
-1.141544
-1.144586
48
serie
GRAMONC1.
4.3.6. BAP
Prueba de Augmented Dickey-Fuller
Tabla N 14: Augmented Dickey- Fuller BAP.
Null Hypothesis: BAP has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=21)
t-Statistic
Prob.*
-0.362309
-2.567274
-1.941140
-1.616486
0.5542
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
-0.011089
1.955059
4.179617
4.184521
4.181481
49
t-Statistic
Prob.*
-30.76341
-2.567277
-1.941140
-1.616486
0.0000
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
0.000500
2.728543
4.179951
4.184858
4.181816
4.3.7. CONTINC1
Prueba de Augmented Dickey-Fuller
Tabla N 16: Augmented Dickey- Fuller CONTINC1.
Null Hypothesis: CONTINC1 has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=21)
50
t-Statistic
Prob.*
-1.103505
-2.567274
0.2452
5% level
10% level
-1.941140
-1.616486
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
-0.003017
0.084396
-2.105533
-2.100629
-2.103669
51
t-Statistic
Prob.*
-29.35825
-2.567277
-1.941140
-1.616486
0.0000
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
0.000000
0.115004
-2.108757
-2.103849
-2.106891
4.3.8. MINSURI1
Prueba de Augmented Dickey-Fuller
Tabla N 18: Augmented Dickey- Fuller MINSRI1.
Null Hypothesis: MINSURI1 has a unit root
Exogenous: None
Lag Length: 1 (Automatic - based on SIC, maxlag=21)
t-Statistic
Prob.*
-1.856978
-2.567277
-1.941140
-1.616486
0.0604
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
-0.002200
0.033887
-3.945414
-3.935598
-3.941683
t-Statistic
Prob.*
-27.67614
-2.567277
-1.941140
-1.616486
0.0000
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
6.65E-19
0.044741
-3.943965
-3.939057
-3.942099
53
4.3.9. FERREYC1
Prueba de Augmented Dickey-Fuller
Tabla N 20: Augmented Dickey- Fuller FERREYC1.
Null Hypothesis: FERREYC1 has a unit root
Exogenous: None
Lag Length: 1 (Automatic - based on SIC, maxlag=21)
t-Statistic
Prob.*
-1.067747
-2.567277
-1.941140
-1.616486
0.2586
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
-0.000990
0.034420
-3.912428
-3.902613
-3.908698
54
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=21)
t-Statistic
Prob.*
-28.00661
-2.567277
-1.941140
-1.616486
0.0000
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
-2.00E-05
0.045669
-3.913287
-3.908379
-3.911421
4.3.10. BVN
Prueba de Augmented Dickey-Fuller
Tabla N 22: Augmented Dickey- Fuller BVN.
Null Hypothesis: BVN has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=21)
t-Statistic
55
Prob.*
-2.590985
-2.567274
-1.941140
-1.616486
0.0093
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
-0.034815
0.464829
1.305613
1.310517
1.307477
56
t-Statistic
Prob.*
-31.77475
-2.567277
-1.941140
-1.616486
0.0000
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
7.97E-18
0.661284
1.313277
1.318185
1.315143
57
t-Statistic
Prob.*
-1.650558
-2.567277
-1.941140
-1.616486
0.0934
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
-10.09150
159.0751
12.94999
12.95981
12.95372
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
-0.004400
204.8076
12.95072
12.95563
12.95259
raz
unitaria,
configurando
asi
un
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
Method: Least Squares
Date: 07/23/16 Time: 10:18
Sample (adjusted): 2 1002
Included observations: 1001 after adjustments
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
1.554002
1.003225
-3.861708
-3.856804
-3.859844
1.00
4.4.2. ALICORPC1
Tabla N 27: Modelo AR(1) ALICORC1.
Dependent Variable: ALICORC1
Method: Least Squares
Date: 07/23/16 Time: 10:34
Sample (adjusted): 2 1002
Included observations: 1001 after adjustments
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
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
7.532527
1.405845
-1.797994
-1.793090
-1.796130
Inverted AR Roots
1.00
4.4.3. MILPOC1
Tabla N 28: Modelo AR(1) MILPOC1.
Dependent Variable: MILPOC1
Method: Least Squares
Date: 07/23/16 Time: 10:38
Sample (adjusted): 2 1002
Included observations: 1001 after adjustments
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.
0.998679
0.000555
1800.014
0.0000
0.997804
0.997804
0.050150
2.515035
1575.870
1.838854
2.645574
1.070183
-3.146593
-3.141689
-3.144729
1.00
4.4.4. IFS
Tabla N 29: Modelo AR (1) IFS.
Dependent Variable: IFS
61
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
31.20876
3.445568
1.033360
1.038264
1.035224
1.00
4.4.5. GRAMONC1
Tabla N 30: Modelo AR(1) GRAMONC1.
Dependent Variable: GRAMONC1
Method: Least Squares
Date: 07/23/16 Time: 10:43
Sample (adjusted): 2 1002
Included observations: 1001 after adjustments
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.
0.999615
0.000492
2030.541
0.0000
0.997738
0.997738
0.137088
18.79312
569.2622
1.775972
1.00
62
8.314296
2.882355
-1.135389
-1.130485
-1.133525
4.4.6. BAP
Tabla N 31: Modelo AR(1) BAP.
Dependent Variable: BAP
Method: Least Squares
Date: 07/23/16 Time: 10:54
Sample (adjusted): 2 1002
Included observations: 1001 after adjustments
Convergence achieved after 2 iterations
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
135.5496
16.23073
4.179617
4.184521
4.181481
1.00
4.4.7. CONTINC1
Tabla N 32: Modelo AR (1) CONTINC1.
63
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
5.476044
1.194392
-2.105533
-2.100629
-2.103669
1.00
4.4.8. MINSURI1
Tabla N 33: Modelo AR (1) MINSURI1.
Dependent Variable: MINSURI1
Method: Least Squares
Date: 07/23/16 Time: 11:01
Sample (adjusted): 2 1002
Included observations: 1001 after adjustments
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.
0.998843
0.000569
1754.827
0.0000
0.997032
0.997032
0.033871
1.147262
1968.716
1.741092
1.00
64
1.773237
0.621717
-3.931501
-3.926598
-3.929638
4.4.9. FERREYC1
Tabla N 34: Modelo AR (1) FERREYC1.
Dependent Variable: FERREYC1
Method: Least Squares
Date: 07/23/16 Time: 11:03
Sample (adjusted): 2 1002
Included observations: 1001 after adjustments
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
0.999404
0.000551
1813.680
0.995035
0.995035
0.034420
1.184712
1952.640
1.757690
1.00
4.4.10. BVN
Tabla N 35: Modelo AR (1) BVN.
Dependent Variable: BVN
Method: Least Squares
Date: 07/23/16 Time: 11:05
65
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
19.09809
12.01970
1.305613
1.310517
1.307477
1.00
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
1.00
66
16613.83
3644.810
12.97719
12.98209
12.97905
Anlisis de resultados
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
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
67
0
-0.5
-1
-1.5
-2
-2.5
-3
-3.5
-4
Dickey Fuller Aumentado
1% level
5% level
68
10% level
1% level
5% level
10% level
69
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
70
0.090
CAPTULO V
CONCLUSIONES Y RECOMENDACIONES
71
4.6.
Conclusiones
Random Walk 3.
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.
75
76
77
78
79
80
81
82
83
84
.
Fuente: Elaboracin del grupo de investigacin.
85
Fecha
04/01/2016
05/01/2016
06/01/2016
07/01/2016
08/01/2016
11/01/2016
86
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:
es la autocorrelacin de la
donde
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
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
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