Professional Documents
Culture Documents
El objetivo de este trabajo es testar las diferentes hipótesis que han surgido, a la
sombra de la Arbitrage Pricing Theory, sobre la aplicación y estimación de los
modelos multifactoriales de valoración de activos.
1
Con el fin de analizar los tres aspectos anteriores y su diferente casuísticas,
hemos estructurado el trabajo en tres apartados. En el primero, se expone de
forma teórica nuestra propuesta de análisis y estimación del modelo
multifactorial como un State-Space Model, calibrado por máxima-verosimilitud
y la aplicación del filtro de Kalman; trabajos similares son los de y Bhar y
Chiarella (1997), Bolland y Connor (1999) y Staikouras (2001). En el segundo, se
implementa empíricamente sobre una muestra de valores negociados en el
mercado continuo español. Por último, en el tercero, se presentan las
principales conclusiones.
Este apartado está dividido en tres partes, la primera plantea de forma teórica el
modelo multifactorial considerado en las otras dos y recoge la definición de
arbitraje sobre la que se trabaja. En la segunda se plantea formalmente el
Multifactor State-Space Model (MSSM), y en la tercera se expone como se
realiza su estimación.
b) La cartera es autofinanciada.
2
V (τ ) = ∑ ω (i, τ ) S (i, τ )
i⊂M
1) V (0) = 0
(2.2)
2) lim Ε Pr V (t ) > 0
t →∞
Donde λ(0,t) representa al factor libre de riesgo, λ(j,t) las primas de riesgo del
resto de factores y, β(i,j,t) sería la beta del activo i respecto del factor j en el
instante t.
3
Donde α representaría el rendimiento esperado incondicional del activo, f el
valor del shock del factor de riesgo respecto a su valor esperado y u el factor no
sistemático del activo. De este modo, no existirán oportunidades de arbitraje
respecto del activo i siempre que:
4
Generalizados, Máxima Verosimilitud, etc. Ahora bien, en cualquiera de los
casos se realizan una serie de hipótesis de partida como son el número de
factores, que se considera son observables, se asume que Σ es o no diagonal de
partida, y también se trabaja con un activo libre de riesgo observable. Todo ello
conlleva implícitamente realizar alguna hipótesis sobre el comportamiento
temporal de los parámetros. Pues bien, nuestra aportación es formalizar el
modelo (2.11) de manera que no se realice ninguna de las hipótesis de partida
anteriores, sino que sean los propios datos los que a través de criterios de
máxima-verosimilitud nos indique cual es el comportamiento concreto del
mercado, y si existen oportunidades de arbitraje para dicho modelo.
Con este objetivo, expresamos la ecuación (2.11) como un MSSM del siguiente
modo en forma matricial:
R t = κ + Zt ( ψt )iψt + U t U t ∼ N (0, Q)
ψt+1 = γ + Tiψt + ηt+1 ηt+1 ∼ N (0, H) (2.14)
Q 0
Ω =
0 H
λ (0, t )
R (1, t ) κ (1) 1 − β (1,1, t ) β (1,1, t ) 0 0 F (1, t ) u (1, t )
R (2, t ) = κ (2) + 1 − β (2,1, t ) β (2,1, t ) 0 0 i β (1,1, t ) + u (2, t )
β (2,1, t )
(2.15)
(
∀i u (i, t ) ∼ N 0, σu2(i) )
σu2(1) σu(1)σu(2)ru(1),u(2)
Q =
σu(1)σu(2)ru(1),u(2) σu2(2)
5
estadísticamente tantos su significación individual, como la significación
conjunta de ambos modelos.
Primero. El factor libre de riesgo, los factores de riesgo y las betas siguen un
proceso autorregresivo de orden 1, cuya expresión matemáticas sería:
λ ( 0, t + 1) δ ( 0 ) ρ ( 0 ) 0 0 0 λ ( 0, t ) η ( 0, t + 1)
F (1, t + 1) = δ (1) + 0 ρ (1) 0 0 i F (1, t ) + η (1, t + 1)
β (1,1, t + 1) µ (1,1) 0 0 ρ (1,1) 0 β (1,1, t ) ϕ (1,1, t + 1)
β ( 2,1, t + 1) µ ( 2,1) 0 0 0 ρ ( 2,1) β ( 2,1, t ) ϕ ( 2,1, t + 1)
s.t. (2.16)
∀m = 0,1, (1,1) , ( 2,1) − 1 ≤ ρ ( m ) ≤ 1
δ ( 0 ) ≥ 0 δ (1) > δ ( 0 )
η ( 0, t + 1) ∼ N ( 0, s02 ) η (1, t + 1) ∼ N ( 0, s12 ) ∀i = 1, 2 ϕ ( i,1, t + 1) ∼ N ( 0, ωi2,1 )
s02 0 0 0
2
0 s 0 0
H= 1
0 0 ω1,1
2
0
2
0 0 0 ω 2,1
λ ( 0, t + 1) δ ( 0 ) η ( 0, t + 1)
F (1, t + 1) = δ (1) + η ( 0, t + 1)
β (1,1, t + 1) µ (1,1) ϕ ( 0, t + 1)
β ( 2,1, t + 1) µ ( 2,1) ϕ ( 0, t + 1) (2.17)
s.t.
δ ( 0 ) ≥ 0 δ (1) > δ ( 0 )
η ( 0, t + 1) ∼ N ( 0, s02 ) η (1, t + 1) ∼ N ( 0, s12 ) ∀i = 1, 2 ϕ ( i,1, t + 1) ∼ N ( 0, ωi2,1 )
s02 0 0 0
0 s12 0 0
H=
0 0 ω1,1
2
0
2
0 0 0 ω2,1
6
Tercero. En este caso al existir un mayor número de factores no observables la
ecuación de medida varía; además, tanto los factores como las betas
siguen un modelo estructural, es decir, los movimientos vienen
explicados no sólo por el valor anterior de la variable, sino también
por cambios en la pendiente:
λ ( 0, t )
F (1, t )
β (1,1, t )
R (1, t ) κ (1) 1 − β (1,1, t ) β (1,1, t ) 0 0 0 0 0 0 β ( 2,1, t ) u (1, t )
= + i +
R ( 2, t ) κ ( 2 ) 1 − β ( 2,1, t ) β ( 2,1, t ) 0 0 0 0 0 0 γ ( 0, t ) u ( 2, t )
γ (1, t )
µ (1,1, t )
µ ( 2,1, t )
λ ( 0, t + 1) 1 0 0 0 1 0 0 0 λ ( 0, t ) η ( 0, t )
F (1, t + 1) 0 1 0 0 0 1 0 0 F (1, t ) η (1, t )
β (1,1, t + 1) 0 0 1 0 0 0 1 0 β (1,1, t ) ϕ (1,1, t )
β ( 2,1, t + 1) = 0 0 0 1 0 0 0 1 β ( 2,1, t ) ϕ ( 2,1, t )
i +
γ ( 0, t + 1) 0 0 0 0 1 0 0 0 γ ( 0, t ) ε ( 0, t )
γ (1, t + 1) 0 0 0 0 0 1 0 0 γ (1, t ) ε (1, t )
µ (1,1, t + 1) 0 0 0 0 0 0 1 0 µ (1,1, t ) ξ (1,1, t )
µ ( 2,1, t + 1) 0 0 0 0 0 0 0 1 µ ( 2,1, t ) ξ ( 2,1, t )
s.t.
η ( 0, t + 1) ∼ N ( 0, s02 ) ε ( 0, t + 1) ∼ N ( 0,ν 02 ) η (1, t + 1) ∼ N ( 0, s12 ) ε (1, t + 1) ∼ N ( 0,ν 12 ) (2.18)
∀i = 1, 2 ϕ ( i,1, t + 1) ∼ N ( 0, ωi2,1 ) ξ ( i,1, t + 1) ∼ N ( 0, φi2,1 )
s02 0 0 0 0 0 0 0
0 s12 0 0 0 0 0 0
0 0 ω1,1
2
0 0 0 0 0
0 0 0 ω1,2
2
0 0 0 0
H=
0 0 0 0 ν 02 0 0 0
0 0 0 0 0 ν 12 0 0
0 0 0 0 0 0 φ1,12 0
0 0 0 0 0 0 0 φ2,1
2
Cuarto. En este supuesto los factores siguen un proceso AR(1), mientras que
las betas se consideran variables aleatorias:
λ ( 0, t + 1) δ ( 0 ) ρ ( 0 ) 0 0 0 λ ( 0, t ) η ( 0, t + 1)
F (1, t + 1) = δ (1) + 0 ρ (1) 0 0 F (1, t ) η (1, t + 1)
i +
β (1,1, t + 1) µ (1,1) 0 0 0 0 β (1,1, t ) ϕ (1,1, t + 1)
β ( 2,1, t + 1) µ ( 2,1) 0 0 0 0 β ( 2,1, t ) ϕ ( 2,1, t + 1) (2.19)
s.t.
∀m = [ 0,1] − 1 ≤ ρ ( m ) ≤ 1
δ ( 0 ) ≥ 0 δ (1) > δ ( 0)
η ( 0, t + 1) ∼ N ( 0, s02 ) η (1, t + 1) ∼ N ( 0, s12 ) ∀i = 1, 2 ϕ ( i,1, t + 1) ∼ N ( 0, ωi2,1 )
s02 0 0 0
2
0 s 0 0
H= 1
0 0 ω1,1
2
0
2
0 0 0 ω 2,1
7
Quinto. Nuevamente consideramos los factores como un proceso AR(1), pero
las betas siguen un modelo estructural:
λ ( 0, t )
F (1, t )
R (1, t ) κ (1) 1 − β (1,1, t ) β (1,1, t ) 0 0 0 0 β (1,1, t ) u (1, t )
= + i +
R ( 2, t ) κ ( 2 ) 1 − β ( 2,1, t ) β ( 2,1, t ) 0 0 0 0 β ( 2,1, t ) u ( 2, t )
µ (1,1, t )
µ ( 2,1, t )
λ ( 0, t + 1) δ ( 0 ) ρ ( 0 ) 0 0 0 0 0 λ ( 0, t ) η ( 0, t + 1)
F (1, t + 1) δ (1) 0 ρ (1) 0 0 0 0 F (1, t ) η (1, t + 1)
β (1,1, t + 1) 0 0 0 1 0 1 0 β (1,1, t ) ϕ (1,1, t + 1)
= + i +
β ( 2,1, t + 1) 0 0 0 0 1 0 1 β ( 2,1, t ) ϕ ( 2,1, t + 1)
µ (1,1, t + 1) 0 0 0 0 0 1 0 µ (1,1, t )
ξ (1,1, t + 1)
µ ( 2,1, t + 1) 0 0 0 0 0 0 1 µ ( 2,1, t ) ξ ( 2,1, t + 1)
s.t.
∀m = [ 0,1] − 1 ≤ ρ ( m ) ≤ 1
δ ( 0 ) ≥ 0 δ (1) > δ ( 0 )
η ( 0, t + 1) ∼ N ( 0, s02 ) η (1, t + 1) ∼ N ( 0, s12 ) ∀i = 1, 2 ϕ ( i,1, t + 1) ∼ N ( 0, ωi2,1 ) ξ ( i,1, t + 1) ∼ N ( 0, φi2,1 )
s02 0 0 0 0 0
0 s12 0 0 0 0
0 0 ω1,1
2
0 0 0
H=
ω 2,1
2 (2.20)
0 0 0 0 0
0 0 0 0 φ2
1,1 0
2
0 0 0 0 0 φ2,1
λ ( 0, t + 1) δ ( 0 ) 0 0 0 0 λ ( 0, t ) η ( 0, t + 1)
0 F (1, t ) η (1, t + 1)
F (1, t + 1) = δ (1) + 0 0 0
i +
β (1,1, t + 1) µ (1,1) 0 0 ρ (1,1) 0 β (1,1, t ) ϕ (1,1, t + 1)
β ( 2,1, t + 1) µ ( 2,1) 0 0 0 ρ ( 2,1) β ( 2,1, t ) ϕ ( 2,1, t + 1)
s.t.
∀m = (1,1) , ( 2,1) − 1 ≤ ρ ( m ) ≤ 1 (2.21)
δ ( 0 ) ≥ 0 δ (1) > δ ( 0 )
η ( 0, t + 1) ∼ N ( 0, s02 ) η (1, t + 1) ∼ N ( 0, s12 ) ∀i = 1, 2 ϕ ( i,1, t + 1) ∼ N ( 0, ωi2,1 )
s02 0 0 0
2
0 s 0 0
H= 1
0 0 ω1,1
2
0
2
0 0 0 ω 2,1
Séptimo. Mientras que los factores se expresan como variables aleatorias, las
betas vienen explicadas mediante un modelo estructural:
8
λ ( 0, t )
F (1, t )
R (1, t ) κ (1) 1 − β (1,1, t ) β (1,1, t ) 0 0 0 0 β (1,1, t ) u (1, t )
= + i +
R ( 2, t ) κ ( 2 ) 1 − β ( 2,1, t ) β ( 2,1, t ) 0 0 0 0 β ( 2,1, t ) u ( 2, t )
µ (1,1, t )
µ ( 2,1, t )
λ ( 0, t + 1) δ ( 0 ) 0 0 0 0 0 0 λ ( 0, t ) η ( 0, t + 1)
F (1, t + 1) δ (1) 0 0 0 0 0 0 F (1, t ) η (1, t + 1)
β (1,1, t + 1) 0 0 0 1 0 1 0 β (1,1, t ) ϕ (1,1, t + 1)
= + i +
β ( 2,1, t + 1) 0 0 0 0 1 0 1 β ( 2,1, t ) ϕ ( 2,1, t + 1)
µ (1,1, t + 1) 0 0 0 0 0 1 0 µ (1,1, t ) ξ (1,1, t + 1)
µ ( 2,1, t + 1) 0 0 0 0 0 0 1 µ ( 2,1, t ) ξ ( 2,1, t + 1)
s.t.
δ ( 0 ) ≥ 0 δ (1) > δ ( 0 )
η ( 0, t + 1) ∼ N ( 0, s02 ) η (1, t + 1) ∼ N ( 0, s12 ) ∀i = 1, 2 ϕ ( i,1, t + 1) ∼ N ( 0, ωi2,1 ) ξ ( i,1, t + 1) ∼ N ( 0, φi2,1 )
s02 0 0 0 0 0 (2.22)
2
0 s1 0 0 0 0
0 0 ω1,1
2
0 0 0
H=
0 0 0 ω 2,1
2
0 0
0 0 0 0 φ1,12 0
2
0 0 0 0 0 φ2,1
λ ( 0, t )
F (1, t )
R (1, t ) κ (1) 1 − β (1,1, t ) β (1,1, t ) 0 0 0 0 β (1,1, t ) u (1, t )
= + i +
R ( 2, t ) κ ( 2 ) 1 − β ( 2,1, t ) β ( 2,1, t ) 0 0 0 0 β ( 2,1, t ) u ( 2, t )
γ ( 0, t )
γ (1, t )
λ ( 0, t + 1) 0 1 0 0 0 1 0 λ ( 0, t ) η ( 0, t + 1)
F (1, t + 1) 0 0 1 0 0 0 1 F (1, t ) η (1, t + 1)
β (1,1, t + 1) µ (1,1) 0 0 ρ (1,1) 0 0 0 β (1,1, t ) ϕ (1,1, t + 1)
= + i +
β ( 2,1, t + 1) µ ( 2,1) 0 0 0 ρ ( 2,1) 0 0 β ( 2,1, t ) ϕ ( 2,1, t + 1)
γ ( 0, t + 1) 0 0 0 0 0 1 0 γ ( 0, t ) ε ( 0, t + 1)
γ (1, t + 1) 0 0 0 0 0 0 1 γ (1, t ) ε (1, t + 1)
s.t.
∀m = (1,1) , (1, 2 ) − 1 ≤ ρ ( m ) ≤ 1
η ( 0, t + 1) ∼ N ( 0, s02 ) ε ( 0, t + 1) ∼ N ( 0,ν 02 ) η (1, t + 1) ∼ N ( 0, s12 ) ε (1, t + 1) ∼ N ( 0,ν 12 )
∀i = 1, 2 ϕ ( i,1, t + 1) ∼ N ( 0, ωi2,1 )
s02 0 0 0 0 0
0 s12 0 0 0 0
0 0 ω1,1
2
0 0 0
H=
ω 2,1
2 (2.23)
0 0 0 0 0
0 0 0 0 ν 2
0 0
0 0 0 0 0 ν 12
9
λ ( 0, t )
F (1, t )
R (1, t ) κ (1) 1 − β (1,1, t ) β (1,1, t ) 0 0 0 0 β (1,1, t ) u (1, t )
= + i +
R ( 2, t ) κ ( 2 ) 1 − β ( 2,1, t ) β ( 2,1, t ) 0 0 0 0 β ( 2,1, t ) u ( 2, t )
γ ( 0, t )
γ (1, t )
λ ( 0, t + 1) 0 1 0 0 0 1 0 λ ( 0, t ) η ( 0, t + 1)
F (1, t + 1) 0 0 1 0 0 0 1 F (1, t ) η (1, t + 1)
β (1,1, t + 1) µ (1,1) 0 0 0 0 0 0 β (1,1, t ) ϕ (1,1, t + 1)
= + i +
β ( 2,1, t + 1) µ ( 2,1) 0 0 0 0 0 0 β ( 2,1, t ) ϕ ( 2,1, t + 1)
γ ( 0, t + 1) 0 0 0 0 0 1 0 γ ( 0, t ) ε ( 0, t + 1)
γ (1, t + 1) 0 0 0 0 0 0 1 γ (1, t ) ε (1, t + 1)
s.t.
η ( 0, t + 1) ∼ N ( 0, s02 ) ε ( 0, t + 1) ∼ N ( 0,ν 02 ) η (1, t + 1) ∼ N ( 0, s12 ) ε (1, t + 1) ∼ N ( 0,ν 12 )
∀i = 1, 2 ϕ ( i ,1, t + 1) ∼ N ( 0, ωi2,1 )
s02 0 0 0 0 0
(2.24)
0 s12 0 0 0 0
0 0 ω1,1
2
0 0 0
H=
0 0 0 ω 2,1
2
0 0
0 0 0 0 ν 02 0
0 0 0 0 0 ν 12
β * (1,1, t ) β * (2,1, t )
S (1,1, t ) = S (2,1, t ) iψ (2, t )
ψ (2, t + 1) = θ1,2 ψ (2, t ) + e (2, t )
s.t. (2.25)
e (2, t ) ∼ N 0, σe2(2)( )
Pr κ (1) = 0 ≠ 1 Pr κ (2) = 0 ≠ 1
10
ψ (1, t )
β ( h,1, t ) β (1,1, t ) β ( h − 1,1, t ) β ( h + 1,1, t ) β ( N ,1, t )
i ψ ( h − 1, t )
=
β ( h, M , t ) β (1, M , t ) β ( h − 1, M , t ) β ( h + 1, M , t ) β ( N , M , t ) ψ ( h + 1, t )
S ( h, t ) S (1, t ) S ( h − 1, t ) S ( h + 1, t ) S ( N , t )
ψ ( N , t )
0 0
Q=
0 0
ψ (1, t + 1) θ h ,1 0 0 0 ψ (1, t ) e (1, t )
0
ψ ( h − 1, t + 1) 0 θ h ,1 0 ψ ( h − 1, t ) e ( h − 1, t )
= i +
ψ ( h + 1, t + 1) 0 0 θ h ,1 0 ψ ( h + 1, t ) e ( h + 1, t )
0
ψ ( N , t + 1) 0 0 0 θ h ,1 ψ ( N , t ) e ( N , t )
σ e2(1) 0 0 0
(2.26)
0
0 σ e2( h −1) 0
H=
0 0 σ e2( h +1) 0
0
0 0 0 σ e2( M )
11
∂Z t ( a t )
R *t = iψt + ε t
∂a t
(2.27)
∂Z ( a )
R *t = R t - Z t ( a t ) + t t ia t = κ + ( fi - l 0 )
∂a t
Donde a representa un valor inicial de los estados, fi para los factores de riesgo y
l0 para el factor libre de riesgo. A modo de ejemplo, si la cartera constara de 2
activos y 2 factores (uno de ellos libre de riesgo), la linealización sería como
sigue:
λ ( 0, t )
R* (1, t ) κ (1) −1 1 0 0 F (1, t ) u (1, t )
* = + i + (2.28)
R ( 2, t ) κ (1) −1 1 0 0 β (1,1, t ) u ( 2, t )
β ( 2,1, t )
∀i = 1,... N
M
R * ( i, t ) = κ ( i ) + ∑ ( f j − l0 )i (2.29)
j =1
M
{
= R ( i, t ) + ∑ b ( i, j ) − 2 l0 + 1 − b ( i , j ) f j }
j =1
M
R (1, t ) R (1, t ) j =1
* ∑ b (1, j ) − ( M + 1) 1 − b (1,1) 1 − b (1, M ) l0
f (2.30)
= + i 1
R ( N , t ) R ( N , t )
* M
b ( N , j ) − ( M + 1) 1 − b ( N ,1)
∑ 1 − b ( N , M ) f M
j =1
12
ψt
λ ( 0, t )
F (1, t )
Z
Ut
−1 1 1 0 0
R* (1, t ) κ (1) u (1, t )
−1 1 1 0 0
i F ( M , t ) + (2.31)
= +
R ( N , t ) κ ( N )
*
β ( )
1,1, t u ( )
N , t
−1 1 1 0 0
β ( N , M , t )
Esta última fase exige la aplicación del filtro de Kalman, el cual permite
actualizar un sistema cada vez que se obtiene un nueva información, ya que
parte de que los estados siguen una distribución normal. De este modo si
tomamos un modelo de espacio de los estados genérico:
R (t ) = ψ (t ) + u (t )
ψ ( t + 1) = ψ ( t ) + η ( t ) (2.32)
ψ ( t ) ∼ N [ yt , st ]
η ( t ) ∼ N ( 0, ω 2 ) (2.33)
que:
yt +1 = Ε ψ ( t + 1) K ( t ) = Ε ψ ( t ) + η ( t ) K ( t )
= Ε ψ ( t ) K ( t )
(2.34)
st +1 = var ψ ( t + 1) K ( t ) = var ψ ( t ) + η ( t ) K ( t )
= var ψ ( t ) K ( t ) + ω 2
13
et = R ( t ) − yt
(2.35)
ht = var ( et )
tal que:
Ε et K ( t − 1) = Ε ψ ( t ) + η ( t ) − yt K ( t − 1) = 0
Ε [ et ] = Ε Ε et K ( t − 1) = 0 (2.36)
cov [ et , yτ ] = 0
Ε ψ ( t ) K ( t ) = Ε ψ ( t ) K ( t − 1) , et
(2.37)
= Ε ψ ( t ) K ( t − 1) + cov ψ ( t ) , et ⋅ var −1 ( et ) ⋅ et
Donde:
Ε ψ ( t ) K ( t − 1) = yt
cov ψ ( t ) , et = Ε ψ ( t ) ⋅ R ( t ) − yt = Ε ψ ( t ) ⋅ ψ ( t ) + u ( t ) − yt
st
Ε ψ ( t ) K ( t ) = yt + et
st + σ u2
st2 (2.39)
var ψ ( t ) K ( t ) = var ψ ( t ) K ( t − 1) − cov 2 ψ ( t ) , et ⋅ var −1 [ et ] = st −
st + σ u2
stσ u2
=
st + σ u2
1. Estimar la innovación:
et = R ( t ) − yt (2.40)
14
2. Determinar el valor esperado para los estados no observables en el instante
temporal siguiente:
st
yt +1 = yt + et (2.41)
st + σ u2
stσ u2
st +1 = +ω2 (2.42)
st + σ u 2
T 1 T et2
log ( ·) = log Pr ( R ) = − log 2π − ∑ log ( st + σ u ) +
2
(2.44)
2 2 t =1 st + σ u2
Por tanto, el algoritmo solo requiere un punto de partida, es decir, fijar los
valores (y1, s1), y a partir de ahí se retro-alimenta. Es recomendable, cuando se
desconoce estos valores inicialmente, fijarlos como:
y1 = 0
(2.45)
s1 → ∞
15
empleado el conocido como BFGS o Broyden-Fletcher-Goldfarb-Shannon
[Fletcher (1987)].
Finalmente, y dado que alguno de los parámetros a estimar tiene acotado los
posibles valores que puede tomar, se hizo preciso llevar a cabo una redefinición
de los mismos, así pues:
∀x σ 2 = exp ( x ) ≥ 0 (2.46)
x
∀x − 1 ≤ ρ = ≤1 (2.47)
1+ x
δ 0 = exp ( x0 ) ≥ 0
(2.48)
∀j = 1, ,M δ j = δ 0 + exp ( x j ) ≥ δ 0 ≥ 0
16
− Constratación conjunta: este primer nivel tiene por objetivo determinar el
modelo que mejor se adapta al comportamiento de la cartera, de los 9
posibles y propuestos anteriormente, así como fijar el número óptimo de
factores de riesgo necesarios para explicar dicho modelo. Su implementación
se hace en dos fases consecutivas:
a. Selección del número de factores óptimo para cada tipo de modelo: para
ello, y tanto para la versión estricta como para la aproximada, se estimará
un test de razones de verosimilitud en el óptimo de cada modelo y para
diferente número de factores de riesgo. Así, si M y H son el número de
parámetros para un mismo modelo, tal que M>H, lo cual solo se deberá a
que el primero presenta un mayor número de factores de riesgo que el
segundo, entonces el test se construirá como sigue, aceptando un modelo
con menor número de factores frente a otro con un factor más, si el p-
valor del test es menor o igual que el 5%:
∀r = 1, ,18
max [ AICr , BICr ]
r
(2.50)
AICr = −2 ⋅ log (P ) ⋅(N ⋅T ) + 2 ⋅ M
Mr r
17
cuadrada de la diagonal principal de la matriz de covarianzas de los
parámetros estimados, aproximando esta última mediante la inversa de
menos el hessiano numérico en el óptimo. Dentro de esta evaluación destaca
la contrastación del intercepto de los rendimientos de los activos, ya que
según la APT, dicho parámetro no debería ser significativamente distinto de
cero, como se expuso en la expresión (2.12).
∀i = 1, ,N
i ∈ Arb ⇔ Pr κ ( i ) = 0 = 0 (2.51)
i ∈ Port ⇔ Pr κ ( i ) = 0 = 1
Para nuestro caso, tomaremos como activo sobre el que arbitrar aquel que tenga
en valor absoluto el mayor intercepto, de manera que si el signo de éste fuera
positivo, se compraría dicho activo y se vendería la cartera réplica, mientras que
si fuera negativa, se operaría al revés.
18
estimación del modelo óptimo, y que concreto queda recogido en la expresión
(2.47).
19
41 59 77 95 113
26 39 52 65 78
4
36 49 62 75 88
26 39 52 65 78
5
36 49 62 75 88
28 45 62 79 96
6
38 55 72 89 106
24 36 48 60 72
7
34 46 58 70 82
29 46 63 80 97
8
39 56 73 90 107
24 36 48 60 72
9
34 46 58 70 82
20
Estricta 3 12.5918 -123105.3 -133193.5
6 VA-AR(1)
Aproximada 3 9.8618 -94112.66 -104115.1
Estricta 1 11.5913 -112479.1 -122893.2
7 VA-Estruct.
Aproximada 2 23.2306 -236088.5 -246313.9
Estricta 1 52.5873 -547857.5 -558228.8
8 Estruct.-AR(1)
Aproximada 1 37.4245 -386828.7 -397114.2
Estricta 3 32.0590 -329846.2 -340054.5
9 Estruct.-VA
Aproximada 1 29.7709 -305546.8 -315875.2
21
− Como se indicó ya, el intercepto del activo libre de riesgo es menor que el del
factor con riesgo, como consecuencia de la prima de riesgo, siendo también
menor el parámetro de autocorrelación.
Una vez analizados los parámetros, seleccionado el activo sobre el que arbitrar
(TEF) y elegidos los activos de la cartera réplica (ACE, REP, UNF y VAL),
determinaremos los parámetros de comportamiento de la estrategia de arbitraje
dinámico. Ello exige que previamente, como se indicó, y a partir del proceso
recursivo del filtro de Kalman, se estimen las betas del activo sobre el que
arbitrar y de los activos que compondrán inicialmente la cartera réplica. Esto
junto con los precios correspondientes y para los mismos instantes temporales,
alimentará el proceso de estimación, cuyos resultados aparecen en la Tabla-7:
Parámetro Significado Valor Std. Error t-value
θ(ACE, TEF) autocorrelación ponderación ACE 0.69904025 0.05041022 13.8670342
θ(REP, TEF) autocorrelación ponderación REP 0.87774059 0.08241247 10.6505804
θ(UNF, TEF) autocorrelación ponderación UNF 0.90168581 0.09396133 9.5963498
θ(VAL, TEF) autocorrelación ponderación VAL 0.76770511 0.05378448 14.2737296
σ2e(ACE) varianza error ponderación ACE 0.01432416 0.00528699 2.70932176
σ2e(REP) varianza error ponderación REP 0.00986769 0.00156411 6.30880091
σ2e(UNF) varianza error ponderación UNF 0.02670303 0.00380329 7.02104192
σ2e(VAL) varianza error ponderación VAL 0.04163846 0.00841913 4.94569484
4. Consideraciones finales
22
modelo. También se ha incluido un apartado destinado a la contrastación y
selección del modelo y su correspondiente número de factores óptimos para la
cartera.
Para terminar hemos de reseñar que este trabajo se engloba dentro de los
últimos avances en la gestión activa de carteras. En concreto, constituye un
estudio paralelo a la denomina estrategia de arbitraje estadístico (Anexo-1), la
cual consiste en buscar una combinación de activos que confeccionen una
cartera cuyo comportamiento sea definido como estacionario, ya que de este
modo, su valor esperado y su varianza serán buenos indicadores del
comportamiento futuro de la misma. Así pues, la estrategia consistiría en tomar
aquella combinación de activos que genere una cartera cuyo comportamiento
sea estacionario con mayor media y menor varianza.
Para llevar a cabo esta estrategia podemos recurrir al trabajo de Peña (1990), en
el que se demuestra que mediante un análisis de componentes principales
pueden extraerse las relaciones de cointegración entre activos, de tal modo, que
los componentes cuyo peso (eigenvalue) sea prácticamente nulo, constituyen
dichas relaciones o carteras estacionarias, y su construcción vendrá dada por la
combinación de los activos, siendo los pesos de cada uno los que se obtengan en
el correspondiente eigenvector.
23
ACE -0.42 -0.671 -0.564 0.23073 0.0704
REP -0.46 0.3308 0.2655 0.65094 0.4308
TEF -0.46 0.3634 -0.159 0.07847 -0.79
UNF -0.46 0.3368 -0.279 -0.6543 0.4131
VAL -0.44 -0.441 0.7133 -0.2979 -0.12
Eigenvalues 4.399 0.4394 0.1173 0.03475 0.0099
% variación 87.97% 8.79% 2.35% 0.70% 0.20%
% acumulado 87.97% 96.76% 99.11% 99.81% 100.01%
A la luz de los resultados de la Tabla-9, podemos comprobar que los dos últimos
componentes principales (Pc4 y Pc5) tienen eigenvalues prácticamente nulos,
por lo que sus correspondientes eigenvectors informan de los pesos a dar a cada
activo, con el fin de construir una cartera de arbitraje estadístico.
Por último reseñar, que los tres primeros componentes, que explican el 99.11%
de la matriz de correlaciones, mostrarían:
5. Referencias bibliográficas
24
− Connor, G. y Korajczyk, R. A. (1986). Performance Measurement with the
Arbitrage Pricing Theory: A New Framework for Análisis. Journal of
Financial Economics, 15: 373-394.
− Lintner, J. (1965). The valuation of risk assets and the selection of risky
investments in stock portfolios and Capital budgets. Review of Economics
and Statistics, 47: 13-37.
25
− Peña, D. (1990). Cointegración y reducción de dimensionalidad en series
temporales multivariantes. Cuadernos Económicos de I.C.E., 44-I: 109-126.
e) La cartera es autofinanciada.
1) V (0) = 0
2) lim Ε P V (t ) > 0 (6.1)
t →∞
1
V (t ) = S (t ) − S (0) (6.2)
B (t )
26
Definición 2: Por su parte, la estrategia de arbitraje estadístico, con
independencia del de mercado o de valoración de activos cumple:
b) La cartera es autofinanciada.
1) V (0) = 0
2) lim Ε P V (t ) > 0
t →∞
σ P2 V (t )
4) lim = 0 if P V (t ) < 0 > 0 ∀t < ∞
t →∞ t
Así pues, el arbitraje de equilibrio no es más que una modalidad del arbitraje
estadístico sometido a un modelo de valoración o equilibrio, y excluyendo la
cuarta condición. Esta última, indica que cuando la probabilidad de pérdidas
esperadas no sea nula, entonces existe una oportunidad de arbitraje estándar.
Económicamente, esta condición supone que existen eventuales oportunidades
de incremento de beneficios sin riesgo.
Los procesos alpha exigen que a priori se elija un modelo de equilibrio sobre
el que se testará una hipótesis de comportamiento conjunto, en cambio el
arbitraje estadístico no precisa de tal exigencia.
27
En los procesos alpha el test consiste en comprobar el t-ratio de la media
incondicional de la cartera, mientras que esto es inviable para detectar una
oportunidad de arbitraje estadístico como consecuencia de la cuarta
condición de su definición.
La cuarta condición en (6.3) exige que los activos que compongan la cartera
deben ser no correlacionados, puesto que, como resulta evidente, si la
correlación entre ellos es positiva, entonces en caso de rendimiento positivo el
valor esperado actual será mayor, ahora bien, en caso de rendimiento negativo,
la varianza será mayor como consecuencia de las covarianzas. Si por el
contrario, la correlación entre activos es negativa, con el fin de reducir la
varianza muestral, el rendimiento positivo esperado también lo será, ya que
cuando el valor de un activo suba, el de otros bajará. Por todo ello, en la
aplicación de una estrategia de arbitraje estadístico habrá que seleccionar
aquellos activos que representen en mayor medida la matriz de correlaciones
del total de activos, evitando así el fenómeno descrito anteriormente.
28