Documente Academic
Documente Profesional
Documente Cultură
-T
-4 tj. y{
Madrid 1996
AGRADECIMIENTOS
NDICE
CAPTULO 1
INTRODUCCION
CAPTULO 2
EL CAOS
2.1.
2.2.
Definicin
El camino hacia el Caos
5
10
2.3.
17
CAPTULO 3
CMO DETECTAR EL CAOS 1
3.1.
3.2.
3.3.
19
La dimensin fractal
Los exponentes de Liapunov
24
31
CAPTULO 4
CMO DETECTAR EL CAOS II
4.1.
4.2.
4.3.
41
71
109
CAPTULO 5
ANTECEDENTES EN EL ESTUDIO DE LOS MERCADOS DE CAPITALES
5.1.
5.2.
El anlisis tcnico
El anlisis fundamental
118
119
5.3.
120
CAPTULO 6
UN MODELO SENCILLO
6.1.
El inversor fundamental
129
6.2.
6.3.
El inversor tcnico
El comportamiento del mercado
132
134
CAPTULO 7
ANLISIS EMPRICO DE LA BOLSA EN ESPAA
7.1.
7.2.
7.3.
7.4.
7.5.
7.6.
142
146
167
173
176
182
APNDICE
188
CONCLUSIONES
192
BIBLIOGRAFIA
196
11
CAPTULO
INTRODUCCION
/NTRODUCCIN
INTRODUCCIN
aparece en otro tipo de series. Por ello se hace necesario que dichas tcnicas se
utilicen con cautela en el anlisis de las series econmicas.
Debido a los problemas surgidos, los economistas han contribuido al
estudio de la no linealidad y del caos con algunas aportaciones propias) siendo
una de las ms interesantes la de Brock, Dechert y Scheinkman (1987)~ que
desarrollan un nuevo test, el BDS, que utiliza el clculo de la dimensin de
correlacin para detectar no linealidades en las series econmicas.
3
Brock, W. A., Dechert, W. D. y Scheinkman, J. A. (1987) A Test lot Independence
Based on the Gorrelation Dimension, Working Paper, University of Wisconsin at Madison,
University of Houston and University of Chicago.
INTRQDLJCCION
CAPTULO 2
EL CAOS
2.1. DEFINICION
EL CAOS
LS
1.5
II
o:
0.5
ir ir
~1 1%
1~
LI
44
-0.5
1;
1
1
10
-1.5
20
30
40
50
60
o de iteraciones
70
80
10
20
30
40
50
n de iteraciones
(a)
(b)
Se
ti
veces.
60
70
80
EL CAOS
2.5
J~~VU~fl
te
~1
&
05 y
ti
-1.5
II
-.
~2.5L
10
20
30
~Q
Figura 2.2:
~TT~T
40
50
60
70
80
de iteraciones
fi J>J
es topolgicamente
EL CAOS
existe un
y
0,
EL CAOS
1
-
a,
a
u a
t
.
II
a ~
~~Iii
f
u
la
a
amia
III
a
a
a
a u
a
U
u ja u
i ji i
a u
a
a
II
1
3-3x, despus de uno cientos de iteraciones
Figura
2.4: el
Iteracin
grfica
casi se ha
cubierto
intervalo
[-1,1].de f(x)=4x
ita
EL CAOS
obtenemos x=O, x
2ii
2i.t
____
11
sistema.
3
Banks, J., Brooks, G., Davis, G. y Stacy, P. (1992) On Devaneys Definition of
Chaos. American Mathernatical Montbuy. 99. 332-334.
11
EL CAOS
0.07
-
0.05
-.
t -+j--T-T-.-T
1VrT-V~~
0-03
0-01
>
-0.01
-0.03
~005
007
100
de 15iteraciones
20
25
30
35
~ df(x)
dx
(2.1)
12
EL CAOS
(a)
(b)
(c)
Figura 2.6: Estabilidad del punto fijo x=O para el sistema f(x)=(~-1)xjx3cuando
pcz2, g=2, p=~2,el punto es estable en el grfico (a), pasa a ser neutral Q~=1) en el grfico (b),
y se convierte en inestable en el grfico (c).
13
SL CAOS
X~ < 1
i~i>l
X=O
atractivo o estable
repulsivo o inestable
superatractivo o su erestable
0.6
02
02
~0.6
\ Y
10
15
no
20
25
30
35
40
de iteraciones
parmetro
14
EL CAOS
(a)
(b)
Figura 2.8: Comparacin de los puntos fijos def(x) y deftflx)) cuando p=2.5 con dos
puntos fijos estables, grfico (a) y cuando =3donde los dos puntos fijos estables pierden su
estabilidad, grfico (b).
15
EL CAOS
uno
bk4I bk 54,669201...
1.
~12
3
Figura 2.9: Diagrama de bifurcacin del sistema dinmico
Xn+1=
(1-II)x~-i-gx~3 para
2-qtct4
ql
EL CAOS
16
0.
3.4
Figura 2.10: Diagrama de bifurcacin del sistema dinmico Xn+1=
para 3.4<p<3.5 donde se puede observar la ventana con una rbita de periodo tres.
3.5
17
ELCAOS
son
aleatorias.
La geometra euclidiana, que ha sido fuente de importantes
aportaciones a la ciencia Matemtica, no sirve, sin embargo, para explicar
algunos de los aspectos de la realidad: la longitud del permetro de una
costa que es irregular, depende del tamao de la regla que se utilice para
medirla, cuanto ms corta sea sta, mayor ser la medida obtenida8. Las
formas geomtricas clsicas, rectas, tringulos, esferas... tienen una
dimensin expresada en nmeros enteros. Sin embargo las figuras
fractales tienen dimensiones no enteras. Una curva que sea suave tendr
una dimensin cercana a uno, mientras que una curva que se mueva en
forma de zigzag de tal modo que casi llene el plano tendr una dimensin
cercana a dos.
B. B. Mandelbrot invent la parabra fractal en 1975 en su obra Les Objets Fractais:
Forme, -iasard a Dinwnsion (Flammarion, Paris). Otra obra pasterior donde desarrolla
ms ampliamente el concepto de fractal es ~The Fractal Ceometry of Natu re. W. H.
Freeman and Co., New York, 1982.
Sobre este asunto puede consultarse: Feder, J. Fractais Plenium Press. 1988. Pag 6-9
18
EL CAOS
encuentra
estructura
auto-similar.
CAPTULO 3
20
En las figuras 3.1 (a) y 3.2 (a) se muestran dos series aparentemente
aleatorias. Si se supone que z(k) depende mucho de su predecesor
inmediato z(k-1) y menos de sus predecesores ms antiguos y se dibuja el
espacio de fase z(k) versus z(k-1), se puede observar que la distribucin de
los puntos de la figura 3.1 (b) continua siendo aparentemente aleatoria,
mientras que la de la 3.2 (b) parece que corresponde a un atractor extrao.
U
U
CUece
,.
-U
UU
%~~
tI~
Ug<
U
~
U.
U,.
~
(a)
:~
etc
U
e.:
U
e
eje
2
(b)
Figura 3.1: (a) Serie temporal de apariencia aleatoria y (b) espacio cte fase z(t)
versus z(t-1) en el que parece que no hay ninguna estructura determinada, la serie contina
teniendo una apariencia aleatoria.
21
pate
.2
e
e.
e
- ---~-L~1-i-~i
VI
(a)
(b)
Figura 3.2: (a) Serie temporal de apariencia aleatoria y (b) espacio de fase z(t)
versus z(t-1) en el que se puede distinguir la estructura de un atractor extrao.
X2
XM
{XM,XM+TIXM.I.2Tt...,XM+(n1)t}
Este mtodo fue propuesto por Packard, N. H., Crutchfield, J. E., Farmer, J. U. y
Shaw, R. 5. (1980) Geometry of Time Series. Physica Review Letters. 45. 9. 712-716.
22
~--1---,--
u -rrn
ji
-1
x
y,=x+ai,
z =b+xz-cz
para el ejemplo se han considerado los siguientes valores de los coeficientes: a=O15, b=O.20,
c=1O.
El teorema que demuestra esta propiedad puede consultarse en Medio, A. Chaotic
Dynamcs. Theory atid Applications fo Economies. Gambridge University Press. 1992. Pag
3
180.
23
h
Figura 3.4: Reconstruccin del atractor de Rssler con la serie temporal de x.
--s
-i
y-
II
Figura 3.5: Reconstruccin del atractor de Rssler con la serie temporal de x. Como
puede observarse la eleccin del retardo ha sido muy pequea y el atractor reconstruido est
muy cercano a [a diagonal del espacio.
24
Tm~-
TT~m~
--1)
1
1
-i
h.
1
-
<1
.1
~.
>
Figura 3.6: Reconstruccin del atractor de RSssler con la serie temporal de x. En este
caso la eleccin del retardo ha sido demasiado grande de forma que la estructura del
atractor original es difcil de detectar.
b) Dimensin de informacin:
25
26
ji(B)= hm
(3.1)
EB(X
fl4o0 a + ~ k=O
1B(Xk) =
1B(Xk) =
u
1 si xEB
O si x~B
E1B(xk
k=O
N(s>
~ gBplog
k=1
(3.2)
ii(Bk)
(3.3)
27
c) Dimensin de correlacin:
C,~(r)
YZ(r
11
xi
(3.4)
=1
Z(x)=1 si r 5~
Z(x)=O si r
Cm =CirDC
(3.5)
28
1 00
io~
1o2
o
U
0.1
10
100
29
-J
10
8
6)
6
a
~0
a
o) 4
a
a
2
o
0.1
10
100
r
Figura 3.8: Pendiente instantnea de log C(r) versus log r del atractror de Rssler
para las dimensiones de irisercin de 2 a 16.
2.6
0)7
~ 2.2
o
0
a
6)
1 8
1.4
1
4
6
8
10
12
dimensin de insercin
14
16
Figura 3.9: Dimensin del atractor de Rssler como pendiente de la regin lineal de
la figura 3.7.
.30
100
10 1
-2
~10
1-
o~
10 ~
0.1
10
100
Figura 3.10: Integral de correlacin para una serie de ruido blanco, las dimensiones
de insercin van 2 a 16, de forma que la curva superior representa rn=2 y la inferior nz=16.
12
10
8
u
6
4
2
o
0.1
1
r
10
Figura 3.11: Pendiente instantnea de log CO-) versus log r del de una serie de ruido
blanco para las dimensiones de insercin de 2 a 16.
31
Dc =D~ =
Como
____
4
4o
,1
_____________
4n1
4n2
4o
(3.6)
1
~ln 4k
k1
4k1
(3.7)
>
oc
y el error
k= hm hm .fXln
~k
(3.8)
en
~sk
f(Xk
1+~k.~1=f(Xk~I)
4k1
(3.9)
Adems,
hm
=f(xk1)
4~ ~ ~k1
(3.10)
33
por lo tanto
hm .tXln
~k
(3.11)
hm
)7-400
II
>~ k=1
lnlf(xk 3 )~
(3.12)
34
P(C)
P(2t)
P(3t)
un
error
inicial,
variaciones
35
36
Xk+1 =f(kt)
donde la funcin f es una transformacin en un espacio euclideo ndimensional, Supongamos que f tiene u exponentes de Liapunov:
para k=1,...,n
(3.13)
DL
=max{d>O/y(d)=O}
DL
(3.14)
ni +
1
~
(3.15)
XXk
8
Ya hemos dicho que el valor de la suma de los exponentes de Liapunov es negativo
por lo tanto siempre habr un valor para el cual la funcin y(k) tome el valor O si k es un
nmero real.
37
en la que
DL=D
3.8
kdk00 x(O)l
con 5>0
<~
(3.16)
(3.17)
1[og
= t-
lyo(t)
x(t)
(3.18)
donde
es la norma euclidiana. Se repite el procedimiento para el
siguiente punto de la rbita de referencia, siendo necesario para este punto
encontrar otro punto yi(t) que represente un error en una direccin
cercana a la utilizada para yo(t). En el caso de que la rbita anterior se
encontrara todava cercana a la rbita de referencia, entonces podramos
continuar con ella estableciendo yi(t)=yo(t) y obteniendo un nuevo error de
amplificacin L
1. Si se contina de este modo se tiene L2, L3, L4...Lml.
La media del logaritmo el factor de amplificacin del error ser:
2.
1 ni1
m =1
este valor de
?v
(3.19)
39
Figura 3.13: Ilustracin de la metodologa del algoritmo de Wolf para el clculo del
mayor exponente de Liapunov de una serie temporal.
E<IX(kt)yk(kt)~<6
(3.20)
40
--4-
~~~~~~-1
-1
oE 0.6
D
a
0.2
o)
-J
/~
6)
6)
E
o
uJ
0
1
200
-4.
400
600
800
1000
tiempo
Figura 3.14: Exponente de Liapunov mediante el algoritmo de Wolf para el atractor
de Rssler.
CAPTULO 4
EL MOVIMIENTO BROWNIANO
42
+4 o -
p(4,t)
exp~~j~
(4.1)
(42>
JQp(4,t)d4
2Dt
(4.2)
profunda. En cinco trabajos publicados entre 1905 y 190W explic el fenmeno y di ideas para
poder determinar dimensiones atmicas. Una versin en ingls con notas aclaratorias a los
trabajos de Einstein, se encuentra en el libro: lnvestigations en Hm Theory of Brownian
Movemeut. Dover Pubications. 1956.
43
4
2D~
entonces
por
it
PROPIEDADES DE ESCALA
4 y 4
(4.3)
4+4=4
p(4,2r)
Jp(4
4,r)p(,t)d
4 es:
V4%D2t exP~j4f$2j
(4.4)
44
<>
O y varianza <2>
4Dt.
Mi)
1
4nDbt
exp (
(4.5)
O y varianza <2>
Las figuras 4.1 y 4.2 son estadisticamente las mismas, excepto por la
escala utilizada, es decir, los resultados del movimiento Browniano son
similares si se utiliza un cambio de escala apropiado. Esta propiedad de
escalado del movimiento Browniano consiste en la transformacin de (4.1)
utilizando ~
y i = br, es decir, que el factor tiempo se escala con b y la
2
con
lo que la densidad de probabilidad queda:
longitud con b~
~~)
0112p(,t)
(4.6)
Jp(4
1t)d
(4.7)
45
r-v--rr
21
1
2.-3
-4
40
.i-~
80
----.--.~
120
160
-~
200
t
(a)
1 5
lo
5
X
t/t>
I~Y
0
-y
-5
-10
0
40
80
120
160
200
t
(b)
Figura 4.1: Sucesin de variables aleatorias Gaussianas con media cero y varianza 1.
En (a) aparecen representadas las longitudes de paso de las partculas. En (b) se ha dibujado
la posicin de la partcula que se mide como
X(t)
46
6
4
2
-2
-4
-6 Y
0
50
(a)
20
15
10
x5~
Vs
/I
y
U~
0
-5
1 0
-,
.4.
ThmLt.
50
II
~t-jfflL
--
(b)
Figura 4.2: Sucesin de variables aleatorias Gaussianas con media cero y varianza 1,
cuando se observan cada dos pasos, b=2, es decir a intervalos de longitud 2r. En (a) aparecen
representadas las longitudes de paso de las partculas. En (b) se muestra la posicin de la
partcula.
47
X(t0))
4srD[t
ex~~j
(xq)
4D~tt0[
(4.8)
2(X(bt) X(bto)))
P(b/
P(X(t) X(t
0))
(4.9)
<X(t) X(t0))
JAXP(AX, t t )dzXX O
=
(4.10)
=
en la que
<...>
J AX2P(AX,t
2D~t
0).
{},
X(Q
X(t0).*1tt01
li
=t
(4.11)
48
y se
x=
(4.12)
X(t)X(k
1)
1
1
ex pl
2zr
y 2)
___
(4.13)
<BH(t)BH(to)>
O
(4.14)
2Dr(t(t
tO)/~rI)2H
t
012
49
C(t)
<BH(t)BH(t
KBH
2(22Hl
~)
(4.15)
(1?>
50
EL ANLISIS R/S
ti
=1
2 )(1+n(M1+t))
n(Mi)
+ ~)R/2 (j)Ri/
de Mandelbrot, 13. 13. y Van Ness, 1~ XV. (1968) Fractional l3rownian Motions, Fractional
Noises and Applications. SIAM Review. 10. 4. 422-437.
BR (t) B11(t 1)
r(H + 1/2)
51
~r
__-
3
2
o
Lfl
a-
4-
1
A.-
2
3
y,
y-
-4
40
80
120
160
200
(a)
20
0
-~>.-~.--v>
-20L
y>
y-,
-y
c
o
flJ
-y
-1
-60
-80
-100
.-1-.--1--i-
40
80
120
160
200
(b)
Figura 4.3: (a) Ruido fractal para H=O.85 y (b) funcin fractal Browniana Bp para
H=0.85.
52
6
4.2
o
2
-4
-6
40
80
120
160
200
t
(a)
~Ki
Ji
NJ
10
-15
.r.
rU.
40
-t
80
120
160
200
(b)
Figura 4.4: (a) Ruido fractal para H=O.4 y (b) funcin fractal Browniana ~H para
H=O.4.
53
(4.16)
i(t)
1=11
X(t,z)
(4.17)
=1
l=t=t
1=t=t
(4.18)
54
(4.19)
t=l
R
Xmin
Figura 4.5: Esquema del embalse, el agua que entra es ~(t), la descarga media es
y X(t)
~j ((t)
R/S=~j-jj
(4.20)
55
Es1
(4.21)
k=1
Xk1,
(4.22)
=1
entre el
max(Xk
1)
min(Xk1,)
(4.23)
4/2
(4.24)
~1~ =
mv
~1 y
se obtiene RAS para cada intervalo, el valor medio de R/S para los
intervalo de longitud ti es:
56
(R S~,
si)
(4.25)
1.5
H=O.53
a=-O.437
1.175
O)
R=O.999
0.85
0.525
0.2
1-
0.8
-4
-L
1.2
,l.,il,.j.,.
y.
....I
2.2
2.4
Figura 4.6: Anlisis R/S para un proceso aleatorio Gaussiano con media O y
desviacin tpica 1. H=0.53.
57
________
______
H=O.81
1.55
a=-O.31 4
R=0997
<1)
~t
lA
O)
o
0.65
0.2
0.5
1.5
2.5
Iog(n)
Figura 4.7: Anlisis R/S para un proceso persistente. H=O.8.
58
(R/S)
(4.26)
M11= rrax(C,Sumi,Sum2,...,Surnn)
Nn= min(C,Surni,Sum2,...,Sumn)
Suln*
Sum ~.Suma
u
njJ
(4.27)
(2>
t
Var(R * (ti)) = U
59
1k.
estas
(4.28)
E(R/S)n
nr
(4.29)
r=1
Anis, A. A. y Loyd, E. H. (1986) Ihe Expected Value of the Adjusted Rescaled Hust
Range of Independent Normal Summands. Eiornetri ka. 1. 111-116.
La aproximacin es til para valores grandes de u ya que evita la utilizacin de la
funcin E, que en este caso, toma valores demasiado grandes para el clculo.
60
E(R/S)~ =~yn~/))yng~)j
nr
r=1
(4.30)
Montecarlo
Hurst
Anis y Lloyd
Peters
10
0.45803
0.59806
0.44557
0.45671
16
0.59376
0.70012
0.58465
0.59155
20
0.65567
0.74857
0.64696
0.65245
25
0.77810
0.79703
0.70740
0.71179
32
0.71529
0.85063
0.77247
0.77589
40
0.83642
0.89909
0.82991
0.83264
50
0.89131
0.94754
0.88623
0.88841
80
1.0041
1.0496
1.0019
1.0033
100
1.0509
1.0981
1.0557
1.0567
125
1.1062
1.1465
1.1088
1.1097
160
1.1673
1.2001
1.1670
1.1676
200
1.2236
1.2486
1.2190
1.2196
250
1.2741
1.2970
1.2707
1.2711
400
1.3845
1.3991
1.3784
1.3787
500
1.4397
1.4475
1.4291
1.4293
800
1.5351
1.5496
1.5351
1.5352
1000
1.5790
1.5981
1.5851
1.5852
2000
1.7348
1.7486
1.7395
1.7395
61
Var(H)~
1
11
(4.31)
62
Xt=sen<t)
1.5
1
-y
0.5
-,
y~y
E
E
-0.5
y,
y
E
1
fi.-.-
Figura 4.8:
200
i
~E
E
-y
y
E
E,>E
~m.-. Lw.-L.-.-
-1,5
y
y
E
E
y
y
EE~
yE
y.
y
E,-
-n .-ffl
400
600
800
2
de
observaciones
n
1000
63
E;
n=200
1.5
(1)
Gr
02
0.5
0.5
1.5
2
Iog (n)
2.5
= ~
(4.32)
12
Peters, E. E.
Fractal Market Ana)ysis. John Wiley & Sons. 1994. Pag 92.
64
1.
~l~fl
Yr~Wrfl
rl
-mr
mpm.-rt-rmr
>1~
S1.15L-
____
(o
-c
5 ti1.05
-
1
0
0.5
41111.-y
.-il>
1.5
r Lmr.-
2
2.5
Iog(n)
1.-ti
.-ffi.-
3.5
<mt.-
20
15
oo
(o
10
En
(o
0.5
1.5
2
2.5
Iog(n)
3.5
65
1.5
1.25
o
o
u
1
0.75
En
<
e,
0.5
0.25
o
0
0.5
1.5
2.5
3.5
Iog(n)
66
7
n=200
6
CE
Co
En
(1)
It
0.5
6
y
1.5
2
Iog(n)
2.5
4
2
o
-2
-4
-6
Figura 4.14:
200
400
600
800
n~ de observaciones
1000
67
1.8
1
1.6
1.4
-
Co
~1.2
O)
-y
0.8
0.6
~1
E
0.4
0.5
1,5
2
2.5
Iog n~ observaciones
ji
3
Figura 4.15: Anlisis RIS de la funcin seno con una desviacin tpica de ruido.
4
3.5
n=200
3
o 2.5
o
(o
~0
Ce
(o
a, 1.5
~1
0.5
0.5
1.5
2
2.5
Iog n~ observaciones
Figura 4.16: Estadstico V de la funcin seno con una desviacin tpica de ruido.
68
15
10
5
o
-5
-10
15
200
E
E
400
600
800
1000
yt
o
n9 de observaciones
y
E
y
E
1.8
1.6
n=200
r.-
-A
1.4
CO
O)
o
U!
1.2
-1
4,
0.8
0.6
El
0.4
0.5
Iog n- observaciones
2.5
Figura 4.18: Anlisis R/S de la funcin seno con tres desviaciones tpicas de ruido.
69
11
.-.-.-
-.--f~~
~1
.-:
l-~-
3.5
n=200
: 2.4
-A
Ce
(o
1.5
-4
lE
0.5
!L11~>
0.5
1.5
ffl
2.5
Iog n9 observaciones
20
15
10
5
o
-5
-10
-15
E
-20
0
200
400
600
800
1000
n9 de observaciones
Figura 4.20: Funcin seno con cinco desviaciones tpicas de mido
70
1.6
1.4
1.2
CO
~1
O)
0.8
0.6
0.4
0.5
1.5
Iog
no
2.5
observaciones
Figura 4.21: Anlisis R/S de la funcin seno con cinco desviaciones tpicas de ruido
1.8
n=200
1.6
o 1.4
u
4->
(o
~0
4-a
(a
o
1.2
1
0.8
1.5
2
2.5
3
0
observaciones
Iog n
Figura 4.22: Estadstico V para la funcin seno con cinco desviaciones tpicas de
0.5
ruido.
71
LA TRANSFORMACIN DE FOURIER
H(f)
JIdt) e2 w>ftdi
(4.33>
h(t)= fH(f) E2wfl df
72
co=2 ,tf
J H(n)
Ci<t do)
h(t)=O
t<-T
h(t)=1
-T.ctczT
h(t)=O
t>T
11(f)
f h<t)e2~t~ftdt TJ e2~~dt
sen(2nfT
73
CMODETECTAR EL CAOS II
J-10=R0+iX(fl=A0e4(fl
2T
H(f)
h(t)
-T
PROPIEDADES Y TEOREMAS
a) Linealidad: Si H(J) y H
+-*
a1H1(f) + a2H2(f)
(4.35)
74
donde
indica que las funciones de primero y segundo miembro estn
relacionadas por las integrales de (4.33).
*-~
(4.36)
(4.37)
d) Escalamiento de frecuencia: Si b es una constante real, entonces:
(t
Ib~ Kb)
(4.38)
~
H(bf)
h (t
2~
t0) <~
H(f)e
(4.39)
e2flkth(t)
<*
H(fk)
(4.40)
75
d~ h(t
(4.41)
(2iritY (t)
/1
d H (f
df2
(4.42)
por I~J*(.-j)
(4.43)
j)
Jtbwdt
n=0,1,2...
(4.44)
76
(j)fl ~
d>1H(0
df~
ti
=0,1,2...
(4.45)
J4t)= Jh
1(th2(tt)dt
(4.46)
Esta integral define una funcin h(t) conocida como convolucin de Ii1 y
7,
Ji (t)=h1(t)
1z2(t)
(4.47)
Ji1(t)
h2(t)=h2(t)
h1(t)
(4.48)
Jg(y)dy g(t)
=
VOt)
(4.49)
77
en
I-z1(t)
(4.50)
H1(f)
<-*
entonces
Jh1(t)h2(t t)dt
<-4
H1(f)I12(f)
(4.51)
2dt
h(t
JA2 (1 )df
(4.52)
1(t)
<*
H1(f)
(4.53)
entonces
~f
Jz1(t)Jz2(t)dt
JH1(f)H2(f)df
(4.54)
78
ESPECTRO DE ENERGA
~2 (t)dt
Segn la frmula (4.52) esta energa es igual al rea bajo la curva A20.
La correlacin de dos funciones, designada por Corr(g,h), se define
como:
Corr(g,h)
<*
G(f)H
(f)
(4.55)
Corr(g, Ji)
<>
(4.56)
79
IH(ft
Pn(f) = H(f)~2 +
O=f=co
(4.57)
2~H(f)~2.
J5(t
t
0)t)dt 4(t0)
(4.58)
80
dt~
dt~
(4.59)
5(t)
6(at)
Jt)8(t) = h(C)8(t)
(4.61)
J5(tMt)dt
(4.62)
h(t)5(t)
5 5(t)dt
4V(O)
40)5(t) W(0)3(t)
para tcC (oparat>0)
(4.63)
(4.64)
(4.65)
H(f)
fe2#2L5(t)dt
(4.66)
as pues
(4.67)
81
(4.68)
(4.69)
8(f)
(4.70)
En la figura 4.24 (a) se ha representado grficamente la expresin de (4.67),
en la 4.24 (b) la expresin de (4.69).
h(t)
H(t)
a(t)
t
(a)
h(t)
H(f)
4
8(1)
82
H(f)
(4.71)
Jcos2itfot e2~ftdt
como
(4.72)
resulta que
H(f)=~Y
<Y
e2~~tUf>dt
1
2
ib) + ~(f
ib)]
(4.73)
o sea que
cos27ribt <-~>
1
2
--ib) +8(1ib)]
(4.74)
f~
sen
2%ibt <-4
1
2i
ib)-~(f
-ib)]
(4.75)
83
h (t)
H(f)
A
E
1/2
t
E
/2
fo
fo
h(t)
H(f)
E,
;Ey
4
1/2
y
y
E~
EE
fo
t
E
fo
/2
84
11>1
hAn
(4.76)
1
2A
(4.77)
85
NA
(4.79)
N-1
(4.80)
Hn E
k=0
CMO DETECTAR EL
H(f~)
86
cAQs 1/
(4.81)
AH,~
1k
(4.82)
11=0
k=0
1E~HnL
(4.83)
12=0
87
e2~ IN
WN
(4.84)
N-1
=
E hkWNnk
n=0,.., IV1
(4.85)
k~0
(N/2)1
<14/2)-Kl
~=
2k+l1
2kWN
k=0
Eh2k+w<
k=O
(4.86)
WN
14
= 1, la secuencia H~
?V/2-1
N/21
= EJZ
2kWN
k=0
kn
k=0
2
14/2Kl
11 >1+ N/2
k=0
N
2
ka
2
(4.87)
ka
N/21
W14 Eh2k+WN
k=0
ka
2
(4.88)
88
= Hp12 +W14Hi12
12Hi
= Hp~ W14 12
(4.89)
N
2
89
h (0)
H (0)
h (2)
H(1)
h (4>
H(2)
h (6)
H(3>
h (1)
H(4)
h (3)
H(5)
h (5)
H (6)
h (7)
H (7)
(a)
h (0)
Hp(O)
h (4)
Hp(1)
h (2>
H p(2>
h (6)
Hp(3)
h(1)
H (0>
h (5)
Hi(1)
h (3)
H (2)
h (7)
H (3>
(b)
go
h (O)
Hpp (O)
h (4)
Hpp (1)
h (2)
Hpi(O)
h (6)
Hpi(1)
h (1)
Hip(O)
h (5)
Hip(1)
h (3)
Hii(O)
h (7)
Hii(1
(c)
Figura 4.27: Esquem del algoritmo de clculo de la transformada
discreta.
N=8 puntos
ndice k en
ndice k en
ndice 1< en
ndice k en
decimal
binario puro
binario
decimal
000
000
001
100
010
010
011
110
100
001
y
E:,
101
101
110
011
111
111
de Fourier
91
CONVOLUCIN Y DECONVOLUCIN
M/2
(r*s)y
krk
(4.90)
k=M/2-i-1
14
E j~kTk
S
<*
512R12
(4.91)
92
FILTRADO PTIMO
u(t)
w~w
c(t)
(a)
A
u(t)
s(t)
(lj)
n(t)
c(t)
s(t)
(c)
Figura 4.28: En la figura (a) se esquematiza es proceso que sufre la seal. En (b) se
representa la respuesta del sistema a una funcin delta es una distribucin. En (c) se muestra
que a la distribucin de entrada se le ha aadido ruido.
93
en la que
5, R
5(f)
(4.92)
R(f)U(f)
c(t)
s(t) + u(t)
(4.93)
FcIJ),
que cuando se
(~f) -
C(f)4(f
R(f)
(4.94)
94
5 (t)u(t)~2dt= Y0uf~df
~00
(4.95)
-oc
(5(f) +
~(f)(f) R(f)
5(f)
R(f)
df
+ N(f)~2~cb(f)j2
Mf
(4.96)
c(f)
S(f)~
(4.97)
IN(f)12.
Si a
lC(f)~2
se le
4(f).
95
E,y
5(t)
5(f)
-1
to
-fo
fo
H(f)
J5(t)e2~fldt 1
(4.98)
(4.99)
8(t t0)
(4.100)
<*
e2nftIe-~a(f ib)
(4.101)
Por lo tanto:
1
2
(4.102)
~0
3
2
1
o
1
-2
-3
0
20
40
60
80
100
120
97
0.5
o
-0.5
1
0
20
40
60
80
100
120
98
2(f)
(H(f)12 +
(4.103)
0=f=oo
14(f)
H(f)
(4.104)
y por lo tanto:
2(f)
(4.105)
2jH(f)~2
14-1
Ck
Ece2nk/
k=0
N1
(4.106)
j=0
P(0)=P(k)=
~()
=
5+-(Kt <CNk~)
N
2
99
P(j%) = P(f1412) =
(4.107)
k2f
NA
A ~=
k=0,1
CN
(4.108)
f~
1
j--(N-1)
12
-(14+1)
2
Ventana de Welch:
(4.110)
100
wi
(4.111)
Ventana de Hanning:
iEcosC2)]
(4.112)
Dk
P(C)
~(fk)
Ecilve2%ik/N
~(ib)
k=0
(4.113)
N1
flID
4.-fk
0h
2+
k=1,2,..jjL
(4.114)
SS
P(J%) = P(f1412)
55
en
14
(4.115)
j=0
101
102
to
to
103
104
300
y
0.3
0.4
0.5
250
200
o
CO
o-
150
100
50
o
-50
0.1
0.2
frecuencia
0.6
0.7
(a)
140
120
y
E
100
80
o
CO
o-
60
40
20
o
-20
0.1
0.2
0.6
0.7
105
120
100
80
o
60
CO
o-
40
20
o
-20
-1
~EE~EJ
0.1
0.2
0.3
0.4
0.5
0.6
0.7
frecuencia
(c)
Figura 4.33: ?SD de la funcin diente de sierra para (a) p=2, (b) p=4, y (c) p=8.
10 -3
o
1/3
o-
106
0
0.1
02
03
frecuencia
0.4
0.5
106
DENSIDAD ESPECTRAL
MOVIMIENTO
BROWNIANO
FRACCIONAL
X(t)
Jx(t)e2RIt
(4.liS)
P(f) =
(4.119)
C(-r) = <x(t)x(t +
(4.i20)
<..>
107
(4.121)
~0
y de ella
C(r).
El ruido blanco w(t) no tiene correlaciones en el tiempo, es decir, el
futuro es independiente del pasado. Por ello su densidad espectral es una
constante con igual potencia en todas las frecuencias, su grfico tendra la
forma de la figura 4.35, es decir, el espectro de potencias es una banda
ancha horizontal.
Para un movimiento Browniano X(t), que es la suma de ruidos
estimar
tiempo T es:
AX(t) = <fX(t + t)
X(t)I~>~
oc
y
1
F(f)oc~-
(4.i22)
108
-2
-2.5
-3
4-
o-
-3.5
-4
-4.5
-5
5.5
-6
-3.5
-3
E,
,EEEE~~
-2.5 -2 -1.5
-1
Iog (frecuencia)
-0.5
3
2
4-
o-
o
1
-2
-3
-4
-5
-3.5
-3
-2.5 -2 -1.5 -1
cg (frecuencia)
-0.5
109
ABu(t) =KBHt+ t)
ocT
y
1
~H(f) oc
(4.123)
fa
donde a=2Hi.
De todo esto podemos concluir que cuando 11=0, BH(t) es ruido i/J
tambin llamado ruido rosa. Cuando H=i/2, BH(t) es ruido 1/fr o
110
captulo 3 siendo
ti
sera:
XZ(~
x5b
(4.124)
(4.125)
2
G~
=4~j
2i +(ni)2C2~
K +2XK~4C
=1
u2KC212j
(4.i26>
1(e) y
en la que~ -
(4.127)
111
hjXt,Xs,Xr)= i[Z(xt,Xs)Z(Xs,Xr)+Z(Xt,Xr)Z(Xr,Xs)+Z(Xs~Xt)Z(Xt~Xr)]
W12(c)
(4.128)
grfico.
Cuando un punto (t,s) est oscurecido significa que
estn a
una distancia menor que e uno del otro. La posibilidad de que se oscurezca
un punto es la integral de correlacin C12(e), si la serie es i.i.d. la
probabilidad de que se oscurezcan los puntos de la grfica ser uniforme.
La figura 4.37 muestra el grfico de recurrencia para una distribucin
normal de variables aleatorias.
Si en el grfico aparecen reas claras significa que puntos distantes
estn ocurriendo en un periodo de tiempo muy pequeo, por el contrario,
las reas oscuras indican que muchos de los puntos cercanos ocurren en
un periodo de tiempo corto. En ambos casos se est violando la hiptesis
de distribucin independiente e idntica de las variables. Por otro lado, la
existencia de cuadros oscuros simtricos sobre la diagonal implica periodos
de estabilidad y escasa volatilidad. Un cambio abrupto de una zona clara a
una oscura
112
que hace que el grfico de recurrencia sea una buena forma de observar
cambios estructurales en los datos econmicos.
2000
1500
1000
500
0
0
500
1000
1500
2000
ant!
113
para y=0.6.
U~
+~ltlUt2
N(0,1)
114
= ~
u1
14(0,1)
05
4o +
2
+ ~lIGt~i
N(0,1)
Las tablas 4.3 a 47 muestran Jos resultados del estadstico para los
modelos anteriores para series de 700 datos cada una, de forma que los de
las dos primeras permiten aceptar la hiptesis nula, mientras que los de las
siguientes, que corresponden a modelos no lineales, permiten rechazan la
hiptesis de independencia en las series.
Tabla 4.3: Resultados del estadstico BDS para una distribucin uniforme.
LAY
0.5
1.5
-2.546694
0.292952
0.382654
0.717852
-0.494468
1.085971
1.128429
1.463283
-5.461785
0.744064
0.939361
1.36267
0.209639
1.192983
1.500721
1.900002
115
Tabla 4.4: Resultados del estadstico BUS para una distribucin Normal (0,1).
E/a
u
0.5
1.5
1.642312
2.110843
2.201454
2.210538
1.439007
2.012179
1.993658
1.797801
1.364839
1.737128
1.650144
1.400758
0.964990
1.464809
1.421657
1.144445
CG
0.5
1.5
6.470622
6.562157
6.963266
7.386632
8.940800
8.796130
8.588568
8.654159
10.165645
9.425358
8.517922
8.181867
10.516976
9.303860
8.073116
7.475482
E/ti
12
0.5
1.5
10.634527
10.881483
10.504183
9.989569
11.388490
11.092144
10.372041
9.412835
11.270882
10.708540
9.798040
8.679775
11.343715
10.343715
9.052760
7.933683
116
Cci
12
0.5
1.5
4.019930
4.918412
5.090114
5.413928
4.507176
5.328273
5.261669
5.208007
4.332092
5.303943
4.936153
4.772433
3.136466
4.996359
4.497921
4.245135
CAPTULO 5
118
en el
119
120
121
Browniano.
122
123
E(x~+1 /T1)=x,
(5.1)
LeRoy, 5. (1989)
Literature. 27. 1583-1621.
8
Samuelson, P. A.(1965) Proof That Properly Anticipated Prices Fluctuate
Randomly. Industrial Managenient Review. 6. 41-49.
Similares resultados se ofrecen en Mandelbrot, B. (1966) Forecasts of Future Prices,
Unbiased Markets and Martingale Modeis. Jaurnal of Business. 39. 1. 242-255.
(5.2)
yt
es un juego justo si
y+i no
125
10
Sharpe, W. F. (1964) Capital Asset Erices: A Theory of Market Equilibrium under
Gondition of Risk. Jaurnal of Finance. 19. 4. 425-442.
11
Niderhoffer, y. y Osborne, M. E. M. (1966) Market Making and Reversal of Ihe
Stock Exchange. Jaurnal of American Statistic Association. 61. 613.897-916.
12
Mandelbrot (1963) Ihe Variation of Certain Speculative Erices. Jaurnal of
Business. 36. 392-417.
~
Sobre este asunto puede consultarse Ihaler, IR. H. (1987) Anomalies: The January
Effect. Jaurnal of Economic Perspectives 1. 1. 197-201.
Clark, IR. y Ziemba, W. 1. (1987) Playing the Turn-of-the-Year Effect with ndex
Futures. Operaticus Research. 35. 6. 799-813.
14
Tinic, 5. M. y West, R. R. (1984) Risk and Return: January vs. the Rest of te Year.
Jaurnal of Financial Econoniics. 13. 4. 561-74.
126
15
Miller, E. M. (1977) Risk, Uncertainty and Divergence of Opinion. Jaurnal of
Finance. 32. 4. 1151-1168.
16
Peters, E. E. Fractal Market Analysis. John Wiley & Sons. 1994. Pag 272.
127
CAPTULO
UN MODELO SENCILLO
UN MODELO SENCILLO
129
130
UN MODELO SENCILLO
FyP~
Dd(P={a(P*~1tf(PJ
f(1~) = [(P.
P)(P
si fijamos 1%=2, P~ =0 y ~
figura 6.1.
(6.2)
131
UN MODELO SENCILLO
5
4
3
2
1
o
-0.5
0.5
1.5
2.5
3
2
1
o
1
-2
-3
-4
-0.5
0.5
1.5
2.5
Figura 6.2: Funcin de demanda para un inversor fundamental para un valor de a=0.2.
132
UN MODELO SENCILLO
Dd(fl)=c(P*~1~) (1/(2Pt~I~2))
(6.3)
Dtc(P,)~3(Prv)
(6.4)
132
UN MODELO SENCILLO
1
ma1 =i~EImL
(6.5)
i=O
D~(F1>=t3
2)
~~
(6.6)
en la que f3 es una constante que mide la fuerza del analista tcnico. En este
caso, la demanda ser positiva si la seal ha sido de compra o negativa si la
seal ha sido de venta.
134
UN MODELO SENCILLO
(6.7)
P~ +yQ(Pj)
(6.8)
~,41
=6
+Y(Dfd(P3+DIC(P
)=n+y
(P*PJL
2j+P(F~ y)]
(6.9>
UN MODELO SENCILLO
135
Figura 6.3: Evolucin de los precios mediante iteracin grfica cuando los valores de
los parmetros son a=O.6 y 13=0.3 y y=1. Los precios tiende a un punto fijo que coincide con el
valor fundamental.
UN MODELO SENCILLO
13~
Figura 6.4: Evolucin de los precios mediante iteracin grfica cuando los valores de
los parmetros son a=O.2 y 3=0.6 y ~1. Los precios quedan atrapados en un ciclo 2.
Figura 6.5: Evolucin de los precios mediante iteracin grfica cuando los valores de
los parmetros son a=O.1 y 3=0.5 y y=l. Solucin catica.
137
UN MODELO SENCILLO
Bi=i~y~cI(P*~fl{2p1p2)+13(P~P2)j 79<~<~
(6.10)
=
p2)
P1 <E 79>79
1
s
UN MODELO SENCILLO
138
cx
13
05
1.5
2.5
0.5
1
11
1.15
11.2
1.3
1.4
1.6
2
PF(1)
PF(1)
C2
C4
C4
C4
C4
CS
E
E
PF(1)
PF(1)
C4
C4
CA
CA
CA
E
E
E
PF(1)
PF(1)
C2
C4
C4
GB
CA
E
E
E
EF(1)
PF(1)
PF(1)
PF(1)
EF(1)
C2
C2
C4
CA
E
EF(O)
RE(O)
PF(0)
PE(O)
EF(O)
PF(O)
PF(1)
PE(1)
PF(1)
CA
PE(O)
EF(O)
PE(O)
EF(O)
FE(O)
EF(O)
E
E
E
EF(1)
C4
EF(O)
PE(O)
EF(O)
FE(O)
EF(O)
E
E
E
E
CA
EF(O)
FE(O)
EF(O)
PF(O)
EF(O)
E
E
E
E
25
1.5
E
E
E
PF(1>: punto fijo estable en el valor Pt=1, IT(O): punto fijo estableen el valor gaG,
Ci:
139
UN MODELO SENCILLO
1.4
1.3
1.2
1.1
p
1
0.9
0.8
07
06
0
20
40
60
50
100
80
100
t
Figura 6.6: Evolucin de los precios para a=O.5 y 3=1.
1 .4
1.3
1.2
1.1
p
0.9
0.8
0.7
0.6
0
20
40
60
140
UN MODELO SENCILLO
10
-10
10
20
30
40
2
1.5
1
p
0.5
o
-0.5
0
10
20
30
t
40
50
60
141
UN MODELO SENCILLO
1 .4
1.2
p
0.8
0.6
0.4
0
20
40
60
80
100
CAPTULO 7
143
144
Xt=log(Ft/PI.4)=log(Pt)- log(P14)
(7.1)
0.5
0.3
0.1
-0.1
-0.3
-0.5
1940
1965
1991
Figura 7.1: Variacin logartmica de los beneficios mensuales del ndice general de la
Bolsa de Madrid.
145
0.14
0.1
0.06
0.02
-0.02
-0.06
-Oil
1-1--
-0.14
1987
1989
1991
il~il~
~.--l--.~~
1993
1995
Figura 7.2: Variacin logartmica de los beneficios diarios del IBFX 35.
0.2
--
r~r- 1
0.1
0.1
-0.2
1987
1989
1991
1993
1995
Figura 7.3: Variacin logartmica de los beneficios a cinco das del IBEX 35.
146
Es ampliamente
cotizaciones de la bolsa,
serie de beneficios con
negativamente, tiene
EN LAS
Tabla 7.1. Caractersticas de las series del ndice general y del IBEX 35.
general
IBEX 35
media
6.01848681E-03
1.56574490E-04
varianza
2.42904760E-03
1.41 114593E04
desviacin tpica
4.92853709E-02
1.18791666E-02
sesgo
-0.42687184
-0.45608509
kurtosis
4.59426117
7.82165241
Las figuras 7.4. y 7.5 muestran la distribucin de las series que se estn
estudiando. En ambas puede observarse fcilmente las diferencias con la
distribucin normal, el apuntamiento y las colas ms anchas.
105.
Sharpe, W. E. Portfolio Theory ami Capital Markets. New York: McGraw-Hill, 1970.
147
0.07
0.06
0.05
0.04
0.03
0.02
0.01
o
-4
0.05
0.04
0.03
0.02
(4
0.01
o
10
-5
-4-
10
148
La utilizacin de
un
149
INDICE GENERAL
1.4
1.2
Co
m
O)
0.8
0.6
0.4
1.5
Iog n9 observaciones
2.5
Figura 7.6: Anlisis R/S del ndice general de la Bolsa de Madrid. H=0.67.
INDICE BANCOS
1.6
1.4
1.2
<o
m
E(R/S)
O)
0.8
0.6
0.4
1.5
2.5
Iog n9 observaciones
150
SECTOR ELECTRICAS
1 6
.
~l
1.4
<o
1.2
E(R/S)
1
O)
o 0.8
- -1
0.6
0.4
1.5
2
9
observaciones
log n
2.5
11=066.
INDICE ALIMENTACION
1.6
1
V-l
rl
1.4
1.2
Cf)
E(R/S)
O)
0.8
0.6
0.4
7]
1.5
2.5
Iog n9 observaciones
Figura 7.9: Anlisis
Madrid. 11=0.71.
151
INDICE CONSTRUCCION
1.6
1.4
1.2
O)
O
E(R/S)
0.8
0.6
0.4
15
2
Iog n9 observaciones
2.5
Figura 7.10: Anlisis RIS del ndice de las empresas de construccin de la Bolsa de
Madrid. H=G.69.
INDICE COMUNICACIONES
1.6
1.4
1.2
F-
CI)
m
O)
O
E(R 5)
0.8
0.6
O 4
.
1.5
--i-i~aa
--I------1----t
2.5
Iog n~ observaciones
Figura 7.11: Anlisis IRIS del ndice de las empresas de comunicaciones de la Bolsa de
Madrid. 1-1=0.69.
152
INDICE SIDEROMETALURGICAS
1 .6
1.4
1.2
o,
o
E(R/S)
0.8
0.6
-t
0.4
ilil~~t
1.A
1.5
2
9
observaciones
log n
2.5
Figura 712: Anlisis RIS del ndice de las empresas siderometalurgicas de la Bolsa de
Madrid. H=Cl.68.
INDICE QUIMICAS
1.6
1.4
1.2
Co
a:
O)
O
0.8
0.6
0.4
1
Figura 7.13: Anlisis
1.5
2
Iog n9 observaciones
2.5
153
ya
observaciones,
Tabla 7.2: IResultados del anlisis R/S sobre el ndice general de la Bolsa de Madrid.
log(n)
log(R/S)
E(R/S)
10
1.0000
0.44333
0.45671
12
1.0792
0.50579
0.51023
15
1.1761
0.56501
0.57360
20
1.3010
0.64799
0.65245
24
1.3802
0,68847
0.70104
25
1.3979
0.68754
0.71179
30
1.4771
0.76658
0.75927
40
1.6021
0.85278
0.83264
50
1.6990
0.92647
0.88841
60
1.7782
1.0284
0.93335
75
1.8751
1.0700
0.98767
100
2.0000
1.1078
1.0367
120
2.0792
1.2209
1.1000
150
2.1761
1.2778
1.1525
200
2.3010
1.2975
1.2196
300
2.4771
1.3718
1.3130
154
Tabla 7.3: Resultados de las regresiones del anlisis 105 sobre el ndice general de la
Bolsa de Madrid.
datos Bolsa
B(R/S)
19
0.66927
0.57752
Constante
-0.21736
-0.10177
R cuadrado
0.99455
0.99938
n0 cbservaciones
16
16
Grados libertad
14
14
Significatividad
2.26
155
datos Bolsa
E(R/S)
0.67049
0.57752
Constante
-0.20916
-0.10177
IR cuadrado
0
observaciones
n
0.99684
16
0.99938
16
Grados libertad
14
14
Significatividad
2.27
datos Bolsa
E(R/S)
19
0.66233
0.57752
Constante
-0.20421
-0.10177
R cuadrado
0.99752
0.99938
no observaciones
16
16
Grados libertad
14
14
Significatividad
2.07
datos Bolsa
E(R/S)
0.69099
0.57752
Constante
-0.2655
-0.10177
R cuadrado
0.99665
0.99938
n0 observaciones
16
16
Grados libertad
14
14
Significatividad
2.78
56
datos Bolsa
E(R/S)
0.68507
0.57752
Constante
-0.27005
-0.10177
R cuadrado
0
n observaciones
0.99592
16
0.99938
16
Grados libertad
14
14
Significatividad
2.63
Tabla 7.8: Resultados de las regresiones del anlisis RIS sobre el indice del sector
alimentacin de la Bolsa de Madrid.
datos Bolsa
E(R/S)
1-1
0.70568
0.57752
Constante
-0.27744
-0.10177
E cuadrado
0.99564
0.99938
n0 observaciones
16
16
Grados libertad
14
14
Significatividad
3.13
datos Bolsa
E(R/S)
19
0.67897
0.57752
Constante
-0.2536
-0.10177
R cuadrado
0.99818
0.99938
n0 observaciones
16
16
Grados libertad
14
14
Significatividad
2.48
157
datos Bolsa
E(R/S)
19
0.70091
0.57752
Constante
-0.2793
-0.10177
IR cuadrado
0
observaciones
n
0.99761
16
0.99938
16
Grados libertad
14
14
Significatividad
3.02
35.
datos Bolsa
E(R/S)
0.61108
0.56027
Constante
-0.13167
-0.07532
IR cuadrado
0.9987
0.9993
n0 observaciones
11
11
Grados libertad
Significatividad
2.22
158
INDICE IBEX 35
.8
1~~~1~
1.6
o,
1.4
1.2
O)
O
0.8
0.6
0.4
1.4
1.8
2.2
2.6
Iog n9 de observaciones
159
datos Bolsa
E(R/S)
0.63058
0.57883
Constante
-0.11518
-0.10496
IR cuadrado
0
observaciones
u
0.99339
8
09994
8
Grados libertad
Significatividad
1.16
INDICE IBEX 35
1.4
-t
1.2
Co
O)
O
1
0.8
0.6
0.4
1
1.2
2.2
2.4
160
1.6
1.4
1.2
(A
1
O)
O
0.8
0.6
0.4
1.5
2
0
de
observaciones
Iog n
2.5
Figura 7.16: Comparacin del anlisis IRIS de la serie original y de la serie de residuos
AR(1) del ndice general de la Bolsa de Madrid.
1.8
1.6
1.4
Co
1.2
O)
O
0.8
0.6
0.4
1
1.5
2.5
Iog n0 de observaciones
Figura 7.17: Comparacin del anlisis
AR(1) del IBBX 35.
INDICE GENERAL
1.6
~1
Y V
VT
- -
1.5
1.4
o
o
Co
-D
<t
u)
~
1 .3
1.2
1.1
1
0.9
0.8
1.5
2
Iog n~ observaciones
2.5
162
INDICE BANCOS
1.8
u-
~umu
1 .6
n=58
o
1 4
o
~Co 1.2
u)
a)
E(R/S)
1
0.8
1.5
2
Iog n~ de observaciones
2.5
de la Bolsa de Madrid.
INDICE ALIMENTACION
1.6
1.5
1.4
o
o
u)
-D
Ct
u)
a)
n =5
1.3
1.2
n=20
1.1
0.9
0.8
- -Y
4-
~-Th~J
.4r11
2
Iog n9 observaciones
1.5
J.~.
2.5
,)
163
INDICE COMUNICACIONES
1.6
umu-
ruY
-..J--.
~.-uT~
r-<~ r-
1.5
1.4
E-
>1
o
o
1.3
1.2
u)
1.1
a)
n=60
n=20
1
09
0.8
1
2
1.5
Iog n9 observaciones
2.5
INDICE CONSTRUCCION
1.6
1.5
1.4
O
ci
o
4-.
1.3
1.2
1.1
u)
a)
1
0.9
0.8
1.5
2
Iog n9 observaciones
2.5
164
1.6
1.5
>
SECTOR ELECTRICAS
ru~
~Y
u-Y
- Y
A-
1.4
n=58
ol.3
4-.
Co
-D
1.2
u)
~ 1.1
1
0.9
1.5
2
9
observaciones
Iog n
2.5
INDICE QUIMICAS
~l.8
-1
1.6
o
(-3
n =63
1.4
ch
-O
ce 1.2
n=20
u)
a)
1
0.8
1.5
2
Iog n9 observacones
2.5
165
INDICE SIDEROMETALURGICAS
1.5
1.4
>
n=56
1.3
1.2
(1
ce
o,
a)
uu
n=20
1.1
1
0.9
0.8
1.5
2
9
observaciones
Iog n
2.5
Utilizando los datos del IBEX 35 debe ser posible encontrar tambin la
existencia de estos ciclos, pero dada la escasa longitud temporal de la serie
slo ser posible encontrar el ciclo ms corto. Si se observa la figura 7.26
puede verse como el estadstico V sigue una tendencia creciente hasta n=400
lo que significa, dado que los datos son diarios, un ciclo de 1.6 aos, siendo
este resultado semejante al obtenido con los valores mensuales.
Igualmente se ha utilizado los datos del IBEX 35 a cinco das (figura
7.27) donde tambin puede observarse el ciclo de aproximadamente unos 1.6
aos aunque como ya habamos dicho Ir!, no era significativo debido a la
escasez de los datos.
166
INDICE IBEX 35
1.6
n=40(
1.5
1.4
O
1.3
u)
-n
ce
u)
.3)
1.2
E(R/5)
1.1
1
0.9
1.4
1.8
2.2
2.6
n~ observaciones
INDICE IBEX 35
IflY~Y~
1.6
n=80
O
1.375
o
Co
-O
ce
1.15
Ch
.3)
0.925
0.7
0.9
1.1
167
168
0~
1o2
io4
10 -s
10
-6
0.001
0.01
r
0.1
Figura 7.28: Integral de correlacin para el ndice IBEX 35 con datos diarios para las
dimensiones de irisercin 2 a 16.
{x
169
40
35
30
a)
4.
25
o)
-O
2<)
o-
15
E
a)
10
5
O
<3.001
0.01
0.1
Figura 7,29: Pendiente instantnea para el grfico 7.28. las dimensiones de insercin
estn comprendidas entre 2 y 16.
10 o
10
10
1
-2
L..
10 -5
106
0.01
0.1
r
170
20
15
o)
4-.
.3)
10
c
.3)
o.
5
o
0.01
0.1
r
Figura 7.31: Pendiente instantnea para el grfico 7.30, las dimensiones de insercin
estn comprendidas entre 2 y 16.
100
10 1
1
1 CV3
1..
(~2
1
1
1
0,001
001
r
0,1
Figura 7.32: Integral de correlacin para la serie de residuos del indice IBBX 35, las
dimensiones de insercin estn comprendidas entre 2 y 16.
171
40
35
30
25
.3)
c
a
a
a)
20
o.
15
10
5
o
0,001
0,01
0,1
r
para el grfico 7.32, las dimensiones de insercin
lo0
1..
o
1
o~
0,01
0,1
r
Figura 7.34: Integral de correlacin para la serie de residuos del ndice general de la
Bolsa de Madrid, las dimensiones de insercin estn comprendidas entre de 2 y 16.
172
30
a)
4-1
a)
-o
a
a,
o-
25
20
15
10
5
o
0,01
0,1
r
Figura 7.35: Pendiente instantnea para el grfico 7.34, las dimensiones de insercin
estn comprendidas entre 2 y 16.
6
Ramsey, J. y Yuan, H. (1989) Bias and Error Bias in Dimension Calculation and Their
Evaluations in sorne Simple Modeis. Physicai Letters A. 134. 287-297.
172
3.
174
2.5
O
E
D
oCD
1.5
a)
a)
4-.>
o)
E
0.5
.3)
o-
-0-5
0
100
500
200
300
400
evolucin temporal
600
4
o
E
D
oa)
a)
4.>
.3)
o
o.3)
1
o
o
500
~l000
1500
evolucin temporal
2000
175
0.8
E
D
oa)
-O
0.6
0.4
.3>
4-1
o,E
0.2
oo)
A
-~
~~,.t--
o
-0.2
100
200
300
400
500
600
evolucin temporal
Figura 7.38: Exponente de Liapunov para la serie de residuos del ndice general de
la Bolsa de Madrid, X=0.1.
4
o
D
oE
CD
-J
a)
-O
a)
4-1
E
a)
E
a
o,
o
o
500
1000
1 500
evolucin temporal
2000
Figura 7.39: Exponente de Liapunov para la serie de residuos del IBEX 35, X=O.07.
Comparando los grficos 7.36 con 7.38 y 7.37 con 7.39 se puede
constatar que los exponentes de Liapunov son los mismos para la serie
original y para la serie de residuos, por lo que las series cumplen el teorema
de Brock, lo que permite apoyar con mayor fuerza la hiptesis de caos en la
serie de ndice general de la Bolsa.
Segn Brock (1986)10, debido a la inexistencia de errores estandard
para los exponente de Liapunov, para conjuntos pequeos de datos, el
algoritmo de estimacin de Wolf puede generar exponentes espreos
positivos en procesos i.i.d., lo que puede impedir la distincin de procesos
lineales estocsticos y procesos deterministas. Por esta razn, deben
observarse con cautela los exponentes obtenidos, que presentan indicios de
que las series son caticas, siendo imposible poder asegurarlo
completamente.
10
Brock, W. A. (1986) Distinguishing Random and Deterministic Systems: Abridged
Version. Journa of Economic Theory. 40. 168-195.
176
177
25
20
15
o
(A
o-
10
5
o
0
0.1
0.2
0.3
frecuenca
0.4
0.5
178
T (aos)
T (aos) IRIS
19.90
14.22
13.83
15.90
8.53
8.52
12.82
5.53
5.50
14.22
4.74
4.80
15
15.42
2.84
19
13.72
2.25
2.35
42
20.73
1.02
1.62
85
17.68
0.50
86
18.11
0,49
122
12.01
0.35
170
12.25
0.25
243
15.73
0.176
POTENCIA
16.39
179
20
15
o
ujlO
o-
5
o
0
0.1
0.2
0.3
0.4
0.5
frecuencia
tendencia son muchos menos que los obtenidos mediante anlisis espectral.
El valor en das correspondiente a dichos puntos aparece en la ltima
columna de la tabla 7.14. Si comparamos los puntos obtenidos mediante
ambos mtodos vemos que los resultados no son tan similares como los
obtenidos con la serie del ndice general. Adems el PSD no detecta el valor
de T=400 que es el que parece ms significativo para el estadstico V. Esto
puede deberse al comportamiento ms errtico de la serie del IBEX 35 que se
produce como consecuencia utilizar datos muestreados a una frecuencia alta,
en este caso datos diarios.
180
ti
POTENCIA
T (das)
18.1
170.7
16.1
143.3
14.1
113.8
10
18.3
102.4
19
14.2
53.9
52.5
41
16.6
25.0
33.8
80
18.4
12.8
81
16.9
12.6
87
17.0
11.8
T (das)
IR/S
169.8
128.8
181
LS
0.5
O
o
(.n
o- -0 .5
O)
1
-1.5
-2
-2.5
-3
-2.5
-2
-1.5
Iog f
-1
-0.5
Figura 7.41: PSD del ndice general del ndice general de la Bolsa de Madrid. Ajuste
por mnimos cuadrados a=I.41.
13
Voss, Y. IR. (1993) 1/f noise and fractals in DNA-base sequences. En Crilly, A.
Ernshaw, IR. A. y Jones, 1-1. (eds.) Appications ofFractal ami CImas. 7-20. Springer- Verlag.
J.,
182
~~Tj~YYYk~
o
1
o
(n
o-
O)
3
-4
-5
-Y
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
Iog f
Figura 7.42: PSD del IBBX 35. Ajuste por mnimos cuadrados a=1.25.
7.6. EVIDENCIAS DE NO
COTIZACIONES: EL TEST BDS
LINEALIDAD
EN
LAS
GRAFICO DE RECURRENCIA
183
1992
1975
1958
1941
1941
1958
1975
1992
184
1995
1993
t~
1991
L
~,
1~
It
li1~
r~r
1987
1987
1989
1991
1993
1995
En la figura 7.4 puede apreciarse una clara zona blanca cerca del
origen del grfico de recurrencia, que corresponde a la crisis que en 1987 se
produce en la bolsa de Nueva York y que se transmite a todas las bolsas
europeas y entre ellas la de Madrid.
Entre 1988 y mediados de 1990 se advierte un cuadrado ms oscuro
alrededor de la diagonal, pero con zonas ms claras dentro del mismo. Esto
corresponde a un periodo con movimientos errticos del indice. Por ejemplo,
puede verse un banda ms clara alrededor de 1990 que coincide con una
minicrisis que se inicia en la bolsa de Nueva York a finales del ao anterior.
A mediados de 1990 comienza otra etapa de mayor volatilidad debida
a la nueva crisis derivada de la guerra de Golfo.
lBS
EL TEST BDS
t/c~
0.25
0.5
1.5
5.840095
5.194503
3.821797
3.990361
9.381537
10.560119
9.629033
7.664747
6.635921
6.404317
16.316307
14.311967
10.267917
8.034744
7.088071
20.142443
19.283282
12.951483
9.381537
7.712086
En la tabla 7.16 muestra los resultados del estadstico BUS para la serie
de datos originales del ndice IBEX 35, en este caso tambin se rechaza la
hiptesis de i.i.d..
Pero al aplicar el estadstico BUS es recomendable limpiar la serie de
cualquier dependencia lineal que pueda haber en los datos, ya que si esta
existiera provocara que se rechazara la hiptesis de i.d.d. de la serie. Para
evitar esto tomamos la serie de residuos obtenida de un AR(1). En las tablas
7.17 y 7.18 se exponen los resultados del estadstico BUS para las series de
residuos de ambas series.
.186
EN ESPAA
e/o
n
0.25
0.5
1.5
13.343875
13.648496
13.616281
12.893772
11.940408
18.877888
18.103634
16.504814
15.361211
14.381205
25.954288
23.613833
19.636556
17.439852
15.917387
34.320075
30.036022
22.415922
18.845725
16.760378
Tabla 7.17: Estadstico BUS para la serie de residuos de ndice general de la Bolsa de
Madrid.
E/O
0.25
0.5
1.5
6.922454
5.683908
4.624107
4.066834
4.727866
10.012855
10.088762
8.291317
6.569896
6.170742
14.750758
14.382121
11.042503
8.123854
6.929695
13.319774
19.906815
14.095224
9.657452
7.661181
e/o
n
0.25
0.5
1.5
12.890692
12.810138
13.024257
12.520398
11.472056
19.298314
18.204885
16.406271
15.127818
14.218511
26.830170
24.211098
19.878351
17.367244
15.857520
37.716856
31.247882
23.111366
18.960075
16.765356
187
APNDICE
RESULTADOS DEL ANLISIS POR SERIES TEMPORALES DE LA
SERIE DEL NDICE GENERAL DE LA BOLSA DE MADRID
Li
0.16084*
21
0.028393
0.0091325
22
-0.0099744
-0.011623
23
0.074786
24
-0.012317
0.056101
0.086811
25
0.051363
0.12812
26
0.0039678
0.038381
27
-0.031639
0.049330
28
0.019213
0.0051480
29
0.036711
10
0.078369
30
0.018444
11
0.099678
31
-0.056298
12
0.088148
32
0.0098437
13
-0.0029566
33
-0.083867
14
-0.0092088
34
0.081235
15
0.029019
35
0.069928
16
17
0.042944
36
0.028344
0.018264
37
-0.0015786
18
0.0016994
-0.018518
19
-0.083088
20
-0.036462
38
39
40
a1=0.1731
(0.0399)
Estadstico t=4.34
-0.048955
-0.046140
189
APNDICE
-0.33776426
Mximo
0.18429604
Media
Desv. tpica
-3.4098683e-06
0.048676122
Varianza
0.0023693648
Sesgo
Kurtosis
-0.4496295
4.3557142
Li
0.0027371
21
0.038542
-0.015719
22
-0.013072
3
4
-0.025874
23
-0.019838
0.065964
24
0.052941
0.057003
25
0.044183
0.11489
26
0.0018767
0.0097886
27
-0.036774
8
9
0.046020
28
0.020082
-0.014653
29
0.033149
10
0.063892
0.022156
11
0.077804
12
0.076880
30
31
32
13
-0.016357
14
15
-0.014629
0.025738
16
0.038091
33
34
:35
36
17
0.012278
37
-0.0029213
18
0.011956
-0.011242
19
20
-0.082188
38
39
40
-0.029483
-0.064409
0.033730
-0.10349
0.088816
0.055843
0.018051
-0.040974
-0.033903
190
APNDICE
Pi
1
2
0.17975*
0.049441
21
22
Pi
0.0032328
0.021735
0.014205
23
0.041293
0.030134
24
0.0042334
-0.035076
25
0.036262
0.0074495
26
0.028591
0.056815
27
-0.017730
0.016856
28
0.013194
0.025094
29
-0.017126
10
0.045916
30
-0.0029926
11
-0.014011
31
-0.016506
12
-0.0058374
32
-0.043866
13
0.0011372
33
0.017056
14
0.031020
34
0.0077684
15
0.013447
35
-0.012660
16
-0.011581
36
-0.053362
17
0.016359
37
-0.029798
18
0.032794
38
-0.017823
19
-0.012985
39
20
-0.030229
40
-0.036951
-0.016243
a1=0.1812
(0.0219)
Estadstico t=4.34
191
APNDICE
-0.088676013
Mximo
0.084278144
Media
Desv. tpica
-2.2008608e-05
0.011687037
Varianza
0.00013658683
Sesgo
Kurtosis
-0.36495558
5.6737978
&
Li
-0.0042066
21
0.0053221
0.018511
22
0.015783
0.0011920
23
0.039439
0.034392
24
-0.011679
-0.043699
25
0.032487
0.0031346
26
0.025559
0.058335
27
-0.023689
0.0029508
28
0.021733
0.016689
29
-0.021508
10
0.047647
30
0.0028283
11
-0.024348
31
-0.0081824
12
-0.0020291
32
-0.049020
13
-0.0039879
33
0.023138
14
0.029400
34
0.0074662
15
0.011756
35
-0.0032219
16
-0.017452
36
-0.049306
17
0.012874
37
-0.017080
18
38
-0.0037597
19
0.032238
-0.014279
39
-0.033368
20
-0.032344
40
-0.0064299
CONCLUSIONES
CONCLUSIONES
193
CONCLUSIONES
194
cercano a cero.
-La existencia de un exponente de Hurst ms cercano a 0.5 en la serie
del IBEX 35 que est formada por datos diarios, ha permitido concluir que las
series temporales muestreadas con una periodicidad alta contienen ms
ruido. Una mayor cantidad de ruido en los datos puede haber sido la causa
de no poder obtener conclusiones totalmente favorables a la existencia de
caos utilizando las tcnicas tradicionales; as pues enseries contaminadas con
CONCLUSIONES
195
BIBLIOGRAFA
197
BiBLIOGRAFA
of Fractais
BIBLIOGRAFA
198
199
B/RL lOGRAFA
200
BIBLIOGRAFA
176.
Hsieh, D. A. (1991) Chaos and Nonlinear Dynamics: Application to
Financial Markets. Journal of Finance 46. 5. 1839-1877
.
201
RIRI.. lOGRAE/A
BIBLIOGRA FA
202
BIBLIOGRAFIA
203
RIBLIQORA FA
204
BIBLIOGRAFA
205