Volatilidad Cerro Verde

"AÑO DE LA LUCHA CONTRA LA CORRUPCIÓN E IMPUNIDAD"
UNIVERSIDAD NACIONAL FEDERICO VILLARREAL

FACULTAD DE CIENCIAS ECONÓMICAS
ESCUELA PROFESIONAL DE ECONOMIA
CURSO: Econometría II
TEMA: Volatilidad de las acciones cotizadas en la Bolsa de Valores de Lima de la

empresa Sociedad Minera Cerro Verde S.A.A
PROFESOR: Econ. Robles Huaranga Salazar
INTEGRANTES:
Isaac Milla Morales

Josmeri Terrones Huaman
Cindy Ynga Garcia
Wilmer Cordova Goñi
SECCIÓN: Noche 46 E
CICLO: VII
LIMA – PERÚ
2019
UNIVERIDAD NACIONAL FEDERICO VILLARREAL
FACULTAD DE CIENCIAS ECONOMICAS
AGRADECIMIENTO
Mediante esta monografía damos a conocer

nuestros sinceros agradecimientos, primero y
antes que nada a Dios por estar con nosotros en
cada paso que damos, al profesor del curso y a
nuestros padres quienes nos han brindado su
apoyo incondicional.
ECONOMETRIA II
2
ECONOMETRIA II
3
DEDICATORIA
La vida se encuentra plagada de retos, y uno de ellos
es la universidad. Que más allá de ser un reto, es una
base no solo para nuestro entendimiento en el campo,
sino para lo que concierne a la vida y nuestro futuro.
Dedicamos este trabajo a aquellas personas que nos
enseñaron que la mejor libertad del ser humano está
en la superación personal e intelectual, estás personas
son nuestros padres, y nuestro maestro del curso que
nos dieron su apoyo a diario para culminar con éxito
este.
ECONOMETRIA II
4
1. INDICE
AGRADECIMIENTO .......................................................................................................................... 2
DEDICATORIA .................................................................................................................................. 4
1. INDICE.......................................................................................................................................... 5
2. RESUMEN .................................................................................................................................... 6
3. INTRODUCCIÓN ........................................................................................................................... 7
4. REVISIÓN DE LA LITERATURA RELEVANTE................................................................................... 9
4.1 MODELOS DE MEDICION DE LA VOLATILIDAD EN LOS MERCADOS DE VALORES:
APLICACIÓN AL MERCADO BURSATIL ARGENTINO ......................................................................... 9
4.2 MODELACIÓN DE LA VOLATILIDAD DEL ÍNDICE GENERAL DE LA BOLSA DE VALORES DE
COLOMBIA (IGBC).......................................................................................................................... 11
4.3 ESTIMACIÓN DE LA VOLATILIDAD DE LOS PRECIOS DE LAS ACCIONES DE LA BMV .......... 15
5. METODOLOGÍA PROPUESTA. .................................................................................................... 19
5.1 MODELO DE VOLATILIDAD ESTOCÁSTICA ......................................................................... 20
6. DISCUSIÓN DE LOS DATOS ........................................................................................................ 23
7. RESULTADOS ............................................................................................................................. 24
7.1 DESCRIPTIVO ..................................................................................................................... 25
7.2 PRUEBA DE RAÍZ UNITARIA EN NIVELES ............................................................................ 26
7.3 CONDICIÓN DE ESTACIONARIEDAD EN LA MEDIA ............................................................ 28
7.3.1 ESTIMACION DE LA RENTABILIDAD ........................................................................... 28
7.3.2 PRUEBA DE RAÍZ UNITARIA PARA LA RENTABILIDAD ................................................ 28
7.4 CONDICION DE HETEROCEDASTICIDAD ............................................................................ 31
7.4.1 DETERMINACION DEL MODELO AR(n) ...................................................................... 31
7.4.2 LA PRUEBA DE LA HETEROCEDASTICIDAD................................................................. 31
7.5 DETERMINACION DEL MODELO ARCH .............................................................................. 33
8. CONCLUSIONES ......................................................................................................................... 35
9. REFERENCIAS BILIOGRAFICAS ................................................................................................... 36
10. ANEXOS ................................................................................................................................. 37
ECONOMETRIA II
5
2. RESUMEN
En el presente trabajo de investigación, analizaremos la medición de la volatilidad de las

acciones cotizadas en la Bolsa de Valores de Lima de la empresa Sociedad Minera Cerro
Verde S.A.A basados en la información recogida en los años 2015, 2016, 2017, 2018 hasta
julio del 2019. Se presentan modelos que dan respuesta a interrogantes sobre cómo varían
los logaritmos del tipo de cambio, se observan cambios relativos en un cierto periodo de
tiempo, y lapsos de fluctuaciones, lo cual ejemplifica el fenómeno de acumulación de
volatilidad. Para ello se ha utilizado la información relevada sobre sus precios dados de dicha
empresa en el cierre anterior por la Bolsa de Valores de Lima. El modelo usado es del tipo
“Arch y Garch” que nos ayuda a conocer la volatilidad la cual es muy importante en muchas
áreas; tales como medir la inflación a lo largo del tiempo.
A través de sus coeficientes se pudo obtener una medida de las diferencias en cuanto a las
cotizaciones obtenidas en sus diversas actividades de la compañía que comprenden la
extracción, producción y comercialización de cátodo y concentrados de cobre. De acuerdo a
ello obtenemos su volatilidad para una adecuada planificación financiera., ya que una gran
volatilidad de los precios de las acciones puede significar enormes pérdidas o ganancias y
en consecuencia provocar mayor incertidumbre.
Como mencionamos todo ello indicaría que la varianza de las series de tiempo financieras
se modifica con el tiempo y ella se determina con el modelo a usar, y que nos resulta practico,
en este caso es el modelo llamado heteroscedasticidad condicional autorregresivo (ARCH),
que como su nombre lo dice mide la heterocedasticidad o variación desigual, a lo largo de
diferentes periodos.
ECONOMETRIA II
6
3. INTRODUCCIÓN
El objetivo de esta investigación es entender la teoría de los modelos con heterocedasticidad
condicional autorregresiva (ARCH), es decir aprender sus diversas definiciones, sus rasgos
característicos y las diversas propiedades que tienen, así como los diferentes tipos y
extensiones que hay de estos. Además de aprender que tipo de series se ajustan a estos
modelos, las transformaciones que hay que hacerles a estas para su modelado y las técnicas
necesarias para poder llevarlo a cabo.
Es por ello que en esta investigación se incluye una descripción de los modelos ARCH Y
GARCH. Se propone un modelo alternativo para el análisis de series financieras y se estudian
las series de precios y de retornos de las acciones cotizadas en la Bolsa de Valores de Lima
de la compañía Sociedad minera Cerro Verde. La selección de modelos usando los criterios
correspondientes permitirá concluir que, de los modelos considerados, es GARCH, la que
mejor explica el comportamiento de los precios de las acciones.
Entonces ¿existirá volatilidad en las acciones cotizadas por la Bolsa de Valores de Lima de
la empresa Sociedad Minera Cerro Verde?, es esta la interrogante principal a la que se busca
dar respuesta en este trabajo; recordemos que la volatilidad es una característica inherente a
las series de tiempo financieras, expresando su comportamiento simétrico frente a las alza y
bajas de los precios de un activo financiero.
Asimismo es importante señalar que las acciones que cotiza esta empresa peruana son
debidas a que desarrolla actividades en el sector minero, operando dentro de una economía
cíclica y competitiva, con un producto que cotiza internacionalmente. En efecto, el cobre es
una materia prima cuyo precio se determina en el mercado internacional, en función a su
producción y su consumo; además de molibneo y plata. Todos los datos que se presentaran a
continuación fueron extraídas de la Bolsa de Valores de Lima, la información recogida abarca
desde el año 2015 hasta Julio del 2019.
ECONOMETRIA II
7
Este artículo está dividido por secciones. Empezaremos por la revisión de la literatura,
señalando referentes académicos, de acuerdo con esto presentaremos nuestro método para
lograr el objetivo ya propuesto. Luego definiremos e interpretaremos nuestro modelo a
trabajar ARCH Y GARCH, mostrando como se estiman sus parámetros de acuerdo a la data
obtenida. Culminando con las regresiones finales y evaluando estas, económica, estadística
y econométricamente.
OBJETIVOS
 Identificar y reconocer la existencia de heterocedasticidad en las series de tiempo y

su implicancia en la toma de decisiones en el estudio estadístico
 Entender los conceptos de especificación y modelación de series de tiempo
heterocedasticas a través del análisis estadístico y gráfico.
ECONOMETRIA II
8
4. REVISIÓN DE LA LITERATURA RELEVANTE

4.1 MODELOS DE MEDICION DE LA VOLATILIDAD EN LOS MERCADOS
DE VALORES: APLICACIÓN AL MERCADO BURSATIL ARGENTINO
Autora:
 Claudia Analia Bahi

Lic. En Economía, año 2007
Título de la lectura: Modelos de medicion de la volatilidad en los mercados de valores:

Aplicación al mercado bursatil argentino
Análisis del comportamiento MERVAL:
El Índice Merval se computa continuamente durante la jornada de transacciones y se exhibe

en las pantallas del Sistema de Información Bursátil. La nómina de sociedades y sus
ponderaciones se actualizan trimestralmente, de acuerdo con la participación en el mercado
de los últimos seis meses. Todas las acciones cotizantes son consideradas en forma
decreciente, de acuerdo con su participación, hasta un acumulado del 80%.
Del sitio de internet BOLSAR. COM se obtuvieron los valores de cierre diario del Índice
Merval para el período del primero de Enero de 1997 a fines de Junio de 2007. Eliminando
los días que no hubo negociación en el mercado bursátil Argentino se tienen 2599
observaciones.
Para este análisis se utiliza el programa Excel para algunos cálculos y gráficos y el Programa
Eviews para las regresiones, gráficos, histogramas, análisis de correlación y estacionariedad,
verificación de consistencia a través de distintos test.
El gráfico describe el comportamiento del índice merval en esta última década. En él

podemos observar claramente dos períodos: el primero hasta mediado del 2002 (salida de la
crisis institucional Argentina, asunción del nuevo presidente electo) caracterizado por una
importante incertidumbre en los mercados financieros hasta la salida de la convertibilidad
ECONOMETRIA II
9
reflejada en bajos niveles del índice merval y mucha presencia de períodos de baja en los
valores de la bolsa. Y un segundo periodo caracterizado por crecimiento sostenido de los
valores del índice merval, logrando niveles récords, alcanzando un nivel máximo del índice
de 2250 en comparación con el mínimo de 200 obtenido a principio del 2002 (salida de la
convertibilidad y default) Este segundo momento se diferencia por una relativa tranquilidad
en los mercados, significando, entonces mayores oportunidades para los inversores en
mercados argentinos.
Efectuando un primer análisis de la variable Merval mediante su correlograma muestral se

observa claramente un lento decaimiento en la función de autocorrelación simple y solamente
el primer valor de la función de autocorrelación parcial significativamente distinto de cero,
indicando que el proceso autorregresivo de primer orden AR (1) es el principal candidato
entre los modelos alternativos.
El valor de fac y facp es de 0.996 para ambas en el primer rezago. En el caso de las primeras
diferencias se observan valores bajos en las fac y facp de 0.034 para ambas en el primer
rezago, sin embargo ambas decaen mostrando signos alternantes. Al revisar los logaritmos
de la serie se observa el mismo patrón. En conclusión, la muestra de los valores del cierre del
índice Merval evidencia no estacionariedad.
Los principales momentos muestrales obtenidos de la evolución diaria del índice Merval a
precios de cierre; están representados en la siguiente tabla:
ECONOMETRIA II
10
Al estimar el modelo obtenemos un estadístico “t” significativo, pero el valor del coeficiente
es superior a la unidad, lo que indicaría que el proceso explosivo. Esto nos lleva a analizar
una serie derivada de la serie merval la cual sería la rentabilidad diaria, medida como la
diferencia de los logaritmos naturales de dos cierres del índice merval contiguos.
Autores:
 Edder Parody Camargo (Magister en Finanzas, Universidad De Magdalena)

 Arturo Charris Fontanilla (Maestría en Desarrollo Empresarial, Administrador de Empresas)
 Rafael García Luna (Magister en Ciencias Económicas, Universidad Autónoma)
4.2 MODELACIÓN DE LA VOLATILIDAD DEL ÍNDICE GENERAL DE LA

BOLSA DE VALORES DE COLOMBIA (IGBC)
De los datos y metodología:
Se partió de los precios de cierre diario del IGBC, a partir del 1 de enero del año 2008 hasta
el 31 de mayo de 2012 y su respectiva graficación para determinar la estacionalidad y
tendencia de la serie.
Luego se le aplicó la primera diferencia logarítmica, para calcular los rendimientos diarios
de los activos estudiados. Una vez realizada esta transformación la serie se tornó estacionaria.
Con la diferenciación se eliminó la tendencia, mientras que el Logaritmo Natural se encargó
ECONOMETRIA II
11
de la heterocedasticidad, por lo que las series objetos de estudios se quedaron lista para ser
analizadas y pasar el siguiente paso.
Se calculó la volatilidad histórica, la volatilidad dinámica o con suavizamiento exponencial

y la volatilidad a partir de los modelos ARCH Y GARCH.
Se implementó la metodología Box-Jenkins (ver figura 1) para realizar el pronóstico, el cual

considera cuatro pasos a seguir: (i) identificación, (ii) estimación, (iii) validación y (iv)
pronóstico. A través de estos pasos se identificó el proceso generador de los datos, se estimó
los parámetros que caracterizan dicho proceso, se validó el cumplimiento de los supuestos e
hipótesis que permitieron la estimación de los parámetros y se pronosticaron nuevos datos
para tomar decisiones (Gujarati y Porte, 2009).
Se calcularon las medidas de precisión, tales como el error cuadrático medio, el error absoluto
medio, coeficiente de desigualdad de Theil y la descomposición del error cuadrático medio,
que permitieron evaluar los pronósticos, y se eligió el modelo en el cual la diferencia entre
los valores pronosticados y los valores reales fue menor (Hernández, 2009).
Resultados:
En la gráfica se muestra periodos de alta y baja volatilidad. Se puede identificar que la serie
tienen tendencia y variabilidad, por lo tanto es una serie no estacionaria y no sería posible
construir un modelo. En consecuencia, se hace necesario realizar la transformación de la
serie, sacando la primera diferencia logarítmica para luego aplicar las pruebas y determinar
si la serie es estacionaria, propiciando la posibilidad de construcción de modelos ARCH y
GARCH.
ECONOMETRIA II
12
La gráfica revela los retornos logarítmicos de la serie original, observándose que fluctúa
alrededor de su media; es decir, cero. La serie se torna estable en el tiempo, no obstante la
varianza de los rendimientos no se mantiene constante sino que va cambiando a los largo del
tiempo, de tal manera que se observan periodos en que la volatilidad es menor y periodos en
los que la volatilidad es mayor. A este comportamiento en los rendimientos de los índices se
le conoce como agrupamiento de la volatilidad o clustering de volatilidad.
Rendimientos del IGBC
ECONOMETRIA II
13
En la gráfica se observa los estadísticos descriptivos y las propiedades de la distribución de

los rendimientos del IGBC. El histograma de la serie se encuentra centrado en el cero con un
ligero sesgo negativo (-0,542884) y una curtosis con valor de (10.64376) lo que muestra un
exceso de curtosis con respecto a la normal estándar, La prueba Jarque Bera rechaza la
distribución normal de los rendimientos del IGBC (2861.088).
Histograma de los rendimientos del IGBC
ECONOMETRIA II
14
4.3 ESTIMACIÓN DE LA VOLATILIDAD DE LOS PRECIOS DE LAS

ACCIONES DE LA BMV
Autor:
 Fernando H.
 Servín y Silva
ECONOMETRIA II
15
Universidad de Celaya.
Título de la lectura: Estimación de la volatilidad de los precios de las acciones de la BMV

(Bolsa Mexicana de Valores)
De los datos empleados:
En este inciso se describen las características de la secuencia de los datos, así como de los
algoritmos empleados en la determinación de los modelos. Se incluyen 4 108 observaciones
correspondientes a los precios máximos y mínimos de la acción AMX Serie L generados
durante 2054 días que van del 7/02/2001 al 3/04/2009 y que fueron obtenidos de las bases de
datos de Economática. También se determinó el rango de valores extremos semanal,
quincenal y mensual. En cada caso, se toma el logaritmo natural del máximo entre el mínimo
del día, de toda la semana, de la quincena o de todo el mes. El primer y tercer modelo se
estimó mediante técnicas de regresión no lineal; en ambos casos se usó el algoritmo de
mínimos cuadrados no lineales Marquardt. Las estimaciones con mínimos cuadrados no
lineales son asintóticamente equivalentes a las que se obtienen mediante máxima
verosimilitud.
El segundo modelo se obtuvo mediante estimadores robustos de cuasi-máxima verosimilitud

de acuerdo con el procedimiento propuesto por Bollerslev-Woldridge.
ECONOMETRIA II
16
La figura 1 esquematiza la serie de las volatilidades diarias; a partir de esta gráfica se observa
que se intercalan periodos de estabilidad con diferencias mínimas en la variabilidad de los
precios y, posteriormente, le siguen periodos de inestabilidad con pronunciadas
fluctuaciones. Aunque un poco más difícil de identificar, también se observa la presencia de
cierto nivel de ciclicidad. El agrupamiento de la volatilidad tiene otras implicaciones tales
como la persistencia y la reversión a la media, las cuales serán discutidas más adelante.
Desde un punto de vista financiero, el agrupamiento de la volatilidad implica que los shocks
en la volatilidad de hoy pueden influir en las expectativas de volatilidad de muchos periodos
adelante. La volatilidad será más o menos persistente en la medida en que los efectos de la
llegada de nueva información persistan por mayor o menor tiempo después de su llegada. La
persistencia en la serie de los rendimientos será mayor en la medida en que la historia de la
serie sea la única depositaria de la memoria del mercado. En la medida en que se cuente con
modelos autorregresivos multivariados o con modelos univariados que incluyan otras
variables explicativas, ésta se distribuirá entre los diversos términos que describen el
fenómeno.
La volatilidad será muy persistente en la medida en que la sumatoria que aparece en sea muy
próxima a la unidad. Por su parte, la reversión a la media establece que hay un nivel normal
de volatilidad al que la serie deberá regresar. Al hacer pronósticos de muy largo plazo, dicha
volatilidad debe converger a un nivel constante.
En la figura 2 se aprecia la distribución de frecuencia de las volatilidades alto/bajo. Para la

serie de los rangos diarios se observa que es asimétrica con media .0269, coeficiente de sesgo
2.218 y coeficiente de curtosis de 11.42.
ECONOMETRIA II
17
El patrón de autocorrelación y autocorrelación parcial de la serie {RPt} indica que ambas

tienen un comportamiento en el que van decayendo de forma gradual a medida que aumenta
el número de rezagos. Estos patrones conducen a la idea de que es posible ajustar un modelo
autorregresivo que en principio puede ser de la forma ARMA (p, q).
Se estima mediante mínimos cuadrados como un modelo ARMA (1, 1) y es uno de los que
mejor se ajusta a los datos.
Los tres coeficientes, además, son positivos y el proceso autorregresivo es estacionario en

covarianza e invertible, tal como se aprecia en el cuadro 4. En relación con la persistencia se
puede decir que .226+.720=.946 y el valor esperado del rango no condicional está dado por
E (Y) = .028.
El diagrama de los rangos esperados condicionales obtenidos mediante el modelo (y los

rangos observados aparece en la figura 3. Dado el cumplimiento de las condiciones antes
descritas, se puede decir que los estimadores mínimos cuadrados tienen distribuciones
asintóticamente normales y los estadísticos t de student y F son asintóticamente válidos.
ECONOMETRIA II
18
5. METODOLOGÍA PROPUESTA.
Los estudios descriptivos buscan especificar las propiedades importantes de personas,
grupos, comunidades o cualquier otro fenómeno que sea sometido a análisis Miden o evalúan
diversos aspectos, dimensiones o componentes del fenómeno o fenómenos a investigar.
Desde el punto de vista científico, describir es medir. Esto es, en un estudio descriptivo se
selecciona una serie de cuestiones y se mide cada una de ellas independientemente, para así
describir lo que se investiga.
Es por esto que utilizaremos el método descriptivo para poder así cumplir con nuestro
objetivo, que es medir la volatilidad de la rentabilidad de las acciones de la empresa Sociedad
Minera Cerro Verde S.A.A durante el periodo del primer trimestre del 2015 hasta el primer
trimestre del 2019.
Los modelos que desarrollaremos son el GARCH y ARCH descritos por la econometría y
implementados de forma exitosa para hacernos la labor más sencilla por el software
ECONOMETRIA II
19
estadístico EVIEW 10 que nos servirá como una herramienta computacional poderosa para
cumplir con los objetivos propuestos para este trabajo.
Definición de variables:
𝑌(𝑡): 𝑃𝑟𝑒𝑐𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑎𝑐𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎 𝑠𝑜𝑐𝑖𝑒𝑑𝑎𝑑 𝑐𝑒𝑟𝑟𝑜 𝑣𝑒𝑟𝑑𝑒 𝑠. 𝑎. 𝑐 𝑒𝑛 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡.
𝑅(𝑡): 𝑇𝑎𝑠𝑎𝑠 𝑑𝑒 𝑟𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎 𝑠𝑜𝑐𝑖𝑒𝑑𝑎𝑑 𝑐𝑒𝑟𝑟𝑜 𝑣𝑒𝑟𝑑𝑒 𝑠. 𝑎. 𝑐 𝑒𝑛 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡.
Con estas variables proponemos un esquema para realizar el análisis de datos generados por
una familia de procesos estocásticos denominados Procesos con Heterocedasticidad
Condicional Autoregresiva-ARCH, los cuales son ampliamente utilizados para la predicción
de la volatilidad de series financieras. Se ajusta un modelo ARCH para pronosticar la
volatilidad de las cotizaciones de las acciones de la empresa minera Cerroverde.
El aspecto volátil está ligado con la medida del riesgo y los premios que busca un
inversionista para los riesgos en sus activos. La modelación de pronósticos volátiles es en
otras palabras la estructura de la covarianza del retorno de un activo. El hecho que la
volatilidad en los retornos fluctúa a lo largo del tiempo, es una realidad desde hace mucho
tiempo. Originalmente perteneció al estudio de distribuciones leptocúrticas. Estos retornos
han sido investigados por una serie de economistas en forma independiente. En los trabajos
de Mandelbrot (1963) y Mandelbrot y Taylor (1967) se aplicó la teoría de Pareto con la
finalidad de caracterizar estas distribuciones de retorno. Rachev y Mittnik (2000) discuten
estas distribuciones y su uso en la economía y las finanzas.
5.1 MODELO DE VOLATILIDAD ESTOCÁSTICA

Un proceso estocástico univariante sigue un modelo ARCH si y sólo si 𝑎𝑡= 𝜎𝑡 𝑒𝑡 ,
2
Con 𝜎𝑡2 = 𝜔0 + 𝜔1 𝑎𝑡−1
ECONOMETRIA II
20
𝜔0 > 0, 𝜔1 > 0, 𝜔1 < 1
Los modelos ARCH relajan la hipótesis de la normalidad, y permiten que se tengan procesos
de ruido blanco formados por variables dependientes. Es una clase de modelos con la
propiedad:
𝑎𝑡 = 𝜎𝑡 𝑒𝑡 , 𝑒𝑡 ~𝑁(0,1)
Donde 𝜎𝑡 y 𝑒𝑡 son dos procesos estacionarios independientes entre sí. El proceso 𝑒𝑡 es

de ruido blanco normalizado, con media cero y varianza unitaria. El proceso 𝜎𝑡 es un proceso
con estructura, con función al tiempo de los valores previos a “t”.
Los modelos ARCH generalizan las hipótesis de un ruido blanco, permitiendo dependencia,
al hacer que la varianza condicional no sea constante. La evidencia empírica muestra que un
modelo ARCH de alto grado, se encuentra muy relacionada con la presencia dinámica de la
varianza condicional. Esto es, realizar muchas evaluaciones para estimar los parámetros. En
1986, Bollerslev propuso el modelo Generalizado Autorregresivo con Heterocedasticidad
Condicional o GARCH, como una solución natural a los modelos ARCH de alto orden. Este
modelo está basado en un ARCH de orden infinito. Reduciéndose de esta manera, el número
de evaluaciones para la estimación de los parámetros.
El modelo ARCH (1) establece una dependencia con AR (1), al plantearse un proceso
estocástico de los cuadrados de las observaciones, como un ruido blanco 𝑣𝑡 : 𝑣𝑡 = 𝑎𝑡2 − 𝜎𝑡2 ,
con media cero, varianza constante.
En los modelos GARCH, la varianza condicional es una función lineal de las tempranas
varianzas condicionales calculadas. En la generalización de ARCH o GARCH, introducida
por Bollerslev, se asume que el proceso 𝜎𝑡2 corresponde:
𝜎𝑡2 = 𝜔0 + ∑𝑝𝑖=1 𝜔𝑖 𝑎𝑡−𝑖

2
+ ∑𝑞𝑖=1 𝛽𝑖 𝜎𝑡−𝑖
2
con 𝛽𝑖 ≥ 0, 𝑖 = 1, ⋯ , 𝑞
ECONOMETRIA II
21
GARCH se ha hecho popular y aceptado en el mundo de los pronósticos financieros, por los
siguientes argumentos: Está muy relacionado con los procesos ARMA; lo que sugiere que
detrás de la teoría de GARCH, se encuentra ARMA. Es práctico efectuar un simple ajuste a
los datos del mundo real, con sólo GARCH (1,1).
Los modelos GARCH, capturan importantes características de una serie de tiempos en

finanzas. De acuerdo con Engle (2004) una de las características en los rendimientos
financieros de los activos de riesgo, corresponde a las colas pesadas (exceso de curtosis), y
la otra corresponde a volatilidad agrupada o clúster de volatilidad de Mikosch, 2001; que
traduce que a grandes cambios tienden a seguir grandes cambios; y pequeños cambios tienden
a seguir pequeños cambios.
ECONOMETRIA II
22
6. DISCUSIÓN DE LOS DATOS

La estructura del dato es una serie de tiempo del precio de cierre diario, de las acciones de la
empresa sociedad cerro verde S.A.C cotizadas en la Bolsa de Valores de Lima, el cual cuenta
con 902 observaciones diarios en el periodo enero 2015 a hasta junio del 2019. Las variables
consideradas en el modelo econométrico son dos.
El precio de cierre es la última cotización que registró durante el día en el mercado bursátil
de las acciones de la empresa sociedad cerro verde S.A.C
Las características del precio de cierre son las siguientes:
 Se emplea como referencia cuando los inversionistas evalúan el desempeño a largo

plazo, por ejemplo, de una acción.
 Puede compararse con los precios de cierres anteriores o con el precio de apertura del
mismo día para medir el rendimiento del título valor.
 Es uno de los indicadores que reporta frecuentemente el mercado, junto con el precio
de apertura, el precio máximo y el precio mínimo de cada activo transado en bolsa.
 Se ve impactado por variables internas como los dividendos que paga una empresa
por cada una de sus acciones. Asimismo, existen factores externos como el nivel de
confianza de los inversionistas. Cuando este indicador sube, por ejemplo, por una
mayor tasa de crecimiento económico, aumenta en general la demanda en el mercado
bursátil y, en consecuencia, los precios.
Precio de cierre en un mercado continuo.-
El precio de cierre en un mercado continuo que funciona las veinticuatro horas se calcula
como una media. Ello, tomando las cotizaciones históricas del valor en cuestión.
Además, debemos tomar en cuenta que existen ciertas plataformas online de negociación que
permiten operar determinados activos algunas horas posteriores al cierre del mercado. En
ECONOMETRIA II
23
esos casos, una vez culminada la jornada bursátil, la cotización permanece igual al precio de
cierre.
La otra variable que utilizaremos será los rendimientos de estas acciones que serán calculados
con el valor de cierre de un periodo respecto al otro tal y como nos muestra la siguiente
formula.
𝑃𝑡
𝑅(𝑡) = log( )
𝑃𝑡−1
Esta será finalmente la variable principal sobre el que calcularemos su volatilidad con los
modelos descritos anteriormente.
7. RESULTADOS
Los análisis de series de tiempos que se realizan mediante modelos ARIMA funcionan
únicamente con series estacionarias y homocedasticas.
Sin embargo la mayoría de las series principalmente financieras no poseen esta característica
a nivel de la varianza lo que significa que la varianza cambia en el tiempo es decir es
heterocedastica y es precisamente ese el motivo por el que se utiliza los modelos ARCH y
GARCH.
Por consiguiente debemos cumplir que las series son estacionarios en media pero no
estacionaria en la varianza.
ARCH y GARCH, modelan los procesos estocásticos en los cuales la varianza condicionada
a las informaciones pasadas no es constante, y depende de las innovaciones pasadas al
cuadrado.
Las especificaciones que tiene el modelo ARCH
Identificar los efectos ARCH en la serie de tiempo 𝑌𝑡 :
𝑦𝑡 = 𝜃0 + 𝜃1 𝑦𝑡−1 + 𝜃1 𝑦𝑡−1 + ⋯ + 𝜃𝑛 𝑦𝑡−𝑛 +∈𝑡
Identificar el tipo de modelo AR(n) que sigue la serie.
ECONOMETRIA II
24
Mediante un test de significancia establecemos si estamos en presencia de una varianza

heterocedastica
ℎ𝑡 =∝0 +∝1 ∈12 + ⋯ +∝𝑝 ∈2t−p
Con 0 ≤ ∑𝑝𝑖=1 ∝𝑖 ≤ 1
𝐻0 : ∝𝑖 = 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖
𝐻1 : ∝𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖
Si se rechaza la hipótesis nula concluimos la existencia de los efectos ARCH.
Se debe cumplir
1) ∝𝑖 > 0, ∝𝑖 ≥ 0 Garantiza la Varianza Positiva.

2) ∝𝑖 >∝𝑗 𝑝𝑎𝑟𝑎 𝑖 > 𝑗 los sucesos más recientes tienen mayor efecto.
7.1 DESCRIPTIVO
Iniciaremos por observar la evolución que a tenido el precio de las acciones a lo largo del perido de
estudio ya definido.
En el cual observamos un componente tendencial inicialmente creciente luego decreciente, aunque

no se podría determinar si posee un componente cíclico aunque si se ve un componente errático o
aleatorio.
Además se logra observar que no es estacionaria sobre su media.
ECONOMETRIA II
25
7.2 PRUEBA DE RAÍZ UNITARIA EN NIVELES

Para determinar la estacionaria en la media utilizaremos la prueba de la raíz unitaria para el
cual asumiremos un nivel de significancia estadística del 5%.
Planteamiento de las hipótesis de investigación.
𝐻0 : 𝐸𝑙 𝑝𝑟𝑒𝑐𝑖𝑜 𝑑𝑒 𝑐𝑖𝑒𝑟𝑟𝑒 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎
𝐻1 : 𝐸𝑙 𝑝𝑟𝑒𝑐𝑖𝑜 𝑑𝑒 𝑐𝑖𝑒𝑟𝑟𝑒 𝑛𝑜 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎
El criterio de decisión será
Si Prob>0.05 se acepta la hipótesis nula.
Si Prob<0.05 se rechaza la hipótesis nula.
Utilizando la prueba de Dickey Fuller se tiene.
ECONOMETRIA II
26
Resultados
En la prueba se obtiene una probabilidad del 0.4743 > 0.05
Por lo tanto, utilizando nuestro criterio de decisión
Aceptamos la hipótesis nula lo que significa que el precio de cierre de las acciones es no
estacionario en su media.
Por lo que no podremos utilizarlos en nuestro modelo de cálculo de la volatilidad.
ECONOMETRIA II
27
7.3 CONDICIÓN DE ESTACIONARIEDAD EN LA MEDIA

7.3.1 ESTIMACION DE LA RENTABILIDAD
Es por ello que calculamos los datos de la variable rentabilidad de las acciones definidas
anteriormente como el logaritmo de la razón de los precios respecto al periodo anterior.
En una inspección visual de la rentabilidad observamos que presenta estacionariedad en la

media.
7.3.2 PRUEBA DE RAÍZ UNITARIA PARA LA RENTABILIDAD

Para someterlo a prueba otra vez utilizamos la prueba de raíz unitaria.
ECONOMETRIA II
28
Para determinar la estacionaria en la media de la rentabilidad utilizaremos la prueba de la

raíz unitaria para el cual asumiremos un nivel de significancia estadística del 5%.
Planteamiento de las hipótesis de investigación.
𝐻0 : 𝐸𝑙 𝑝𝑟𝑒𝑐𝑖𝑜 𝑑𝑒 𝑐𝑖𝑒𝑟𝑟𝑒 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎
𝐻1 : 𝐸𝑙 𝑝𝑟𝑒𝑐𝑖𝑜 𝑑𝑒 𝑐𝑖𝑒𝑟𝑟𝑒 𝑛𝑜 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎
Utilizando la prueba de Dickey Fuller se tiene.
ECONOMETRIA II
29
Resultados
En la prueba se obtiene una probabilidad del 0.000 < 0.05
Por lo tanto, utilizando nuestro criterio de decisión
Rechazamos la hipótesis nula lo que significa que la rentabilidad de las acciones es

estacionario en su media.
ECONOMETRIA II
30
7.4 CONDICION DE HETEROCEDASTICIDAD

7.4.1 DETERMINACION DEL MODELO AR(n)
El siguiente paso es verificar que tipo de ar(n) sigue esta serie estacionaria en media para ello
podríamos seguir dos criterios
El primero sería el correlograma que nos daría la información de cuantos rezagos explican
la rentabilidad de las acciones.
Otro criterio que es el que utilizaremos es realizar varias estimaciones de ecuaciones con
MCO con la rentabilidad de variable dependiente y como variables explicativas a una
constante además de sus rezagos de periodos pasados.
Después de varias estimaciones y utilizando los criterios de información de Akaike elegimos

el mejor modelo que explica la rentabilidad a AR(1)
Lo que sigue es someter a prueba la heterocedasticidad de la varianza
7.4.2 LA PRUEBA DE LA HETEROCEDASTICIDAD

Mediante la prueba ARCH de significancia establecemos si estamos en presencia de una
varianza heterocedastica lo que significa que la varianza esta modelada por algunos rezagos
al cuadrado.
ECONOMETRIA II
31
ℎ𝑡 =∝0 +∝1 ∈12 + ⋯ +∝𝑝 ∈2t−p
Con 0 ≤ ∑𝑝𝑖=1 ∝𝑖 ≤ 1
Planteamos las hipótesis:
𝐻0 : ∝𝑖 = 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖
𝐻1 : ∝𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖
ECONOMETRIA II
32
Obtenemos una prob de 0.000< 0.05 para la variable constante (C)
Tambien se obtiene una prob de 0.0337<0.05para la variable Resid^2(-1)
Lo que sale significativo que la varianza depende de sus rezagos al cuadrado es decir la
rentabilidad de las acciones es no estacionaria en varianza lo que significa que es
heterocedastica.
7.5 DETERMINACION DEL MODELO ARCH

Con las dos condiciones satisfechas procedemos a calular el modelo ARCH
Luego del calculo del modelo ARCH Para poder medir la volatilidad de la rentabilidad de las
acciones cotizadas en la bolsa de valores de Lima tendríamos.
ℎ𝑡 = 0.000354 + 0.027022 ∈2t−1
ECONOMETRIA II
33
Proyectemos los cálculos de volatilidad que me estima el modelo hallado durante todo el
periodo de estudio.
En estas estimaciones de volatilidad de la rentabilidad se observa bastante congruencia con

el comportamiento de la rentabilidad de las acciones de la empresa sociedad cerro verde
S.A.C.
ECONOMETRIA II
34
8. CONCLUSIONES
ECONOMETRIA II
35
9. REFERENCIAS BILIOGRAFICAS
 Damodar N. Gujarati, 2010, “Econometría”, McGraw-Hall, Quinta edición.
 “Econometría”, McGraw-Hall, Quinta edición.
 Wooldridge M. Jeffrey, 2010, “Introducción a la Econometría: Un Enfoque

Moderno”, Cengage Learning, Cuarta edición.
 Bolsa de Valores de Lima (BVL)
 Autor: Claudia Analia B. (2007).

Modelos de medición de la volatilidad en los mercados de valores: aplicación al
mercado bursátil argentino. Pág. (21-24)
 Autor: (Edder, Arturo Y Rafael, 2012).

Modelación de la volatilidad y pronóstico del índice general de la bolsa de
valores de Colombia (IGBC). Pág. (231-233)
 Autor: Fernando H. Servín y Silva Universidad de Celaya
ECONOMETRIA II
36
Estimación de la volatilidad de los precios de las acciones de la BMV (Bolsa

Mexicana de Valores) Pág. (182-185)
10.ANEXOS
Para obtener los datos de la Bolsa de Valore de Lima se siguen los siguientes procedimientos:
1. Ingresar a la web de la BVL, hacer click en sección empresas y seleccionar por

sector/industria: https://www.bvl.com.pe/mercempresasporsector.html
ECONOMETRIA II
37
2. A continuación, dar click izquierdo en la opción “Mineras” y seleccionar Sociedad

Minera Cerro Verde S.A.A
3. Seleccionar “Histórico de Cotizaciones” y posteriormente a ello, indicar el año que

se quiere consultar, en este caso trabajamos desde el año 2015 hasta el 2019.
ECONOMETRIA II
38
Es así que entorno a estos datos se realizó el presente trabajo, con el uso de los programas
como Excel y Eviews se pudo importar y estimar la cantidad de datos obtenidos
respectivamente.
ECONOMETRIA II
39
ECONOMETRIA II
40

Volatilidad Cerro Verde

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Volatilidad Cerro Verde

Încărcat de

Drepturi de autor:

Formate disponibile

"AÑO DE LA LUCHA CONTRA LA CORRUPCIÓN E IMPUNIDAD"

UNIVERSIDAD NACIONAL FEDERICO VILLARREAL

TEMA: Volatilidad de las acciones cotizadas en la Bolsa de Valores de Lima de la

PROFESOR: Econ. Robles Huaranga Salazar

Isaac Milla Morales

Mediante esta monografía damos a conocer

En el presente trabajo de investigación, analizaremos la medición de la volatilidad de las

 Identificar y reconocer la existencia de heterocedasticidad en las series de tiempo y

4. REVISIÓN DE LA LITERATURA RELEVANTE

 Claudia Analia Bahi

Título de la lectura: Modelos de medicion de la volatilidad en los mercados de valores:

Análisis del comportamiento MERVAL:

El Índice Merval se computa continuamente durante la jornada de transacciones y se exhibe

El gráfico describe el comportamiento del índice merval en esta última década. En él

Efectuando un primer análisis de la variable Merval mediante su correlograma muestral se

 Edder Parody Camargo (Magister en Finanzas, Universidad De Magdalena)

4.2 MODELACIÓN DE LA VOLATILIDAD DEL ÍNDICE GENERAL DE LA

De los datos y metodología:

Se calculó la volatilidad histórica, la volatilidad dinámica o con suavizamiento exponencial

Se implementó la metodología Box-Jenkins (ver figura 1) para realizar el pronóstico, el cual

Rendimientos del IGBC

En la gráfica se observa los estadísticos descriptivos y las propiedades de la distribución de

Histograma de los rendimientos del IGBC

4.3 ESTIMACIÓN DE LA VOLATILIDAD DE LOS PRECIOS DE LAS

Título de la lectura: Estimación de la volatilidad de los precios de las acciones de la BMV

De los datos empleados:

El segundo modelo se obtuvo mediante estimadores robustos de cuasi-máxima verosimilitud

En la figura 2 se aprecia la distribución de frecuencia de las volatilidades alto/bajo. Para la

El patrón de autocorrelación y autocorrelación parcial de la serie {RPt} indica que ambas

Los tres coeficientes, además, son positivos y el proceso autorregresivo es estacionario en

El diagrama de los rangos esperados condicionales obtenidos mediante el modelo (y los

𝑌(𝑡): 𝑃𝑟𝑒𝑐𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑎𝑐𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎 𝑠𝑜𝑐𝑖𝑒𝑑𝑎𝑑 𝑐𝑒𝑟𝑟𝑜 𝑣𝑒𝑟𝑑𝑒 𝑠. 𝑎. 𝑐 𝑒𝑛 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡.

𝑅(𝑡): 𝑇𝑎𝑠𝑎𝑠 𝑑𝑒 𝑟𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎 𝑠𝑜𝑐𝑖𝑒𝑑𝑎𝑑 𝑐𝑒𝑟𝑟𝑜 𝑣𝑒𝑟𝑑𝑒 𝑠. 𝑎. 𝑐 𝑒𝑛 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡.

5.1 MODELO DE VOLATILIDAD ESTOCÁSTICA

𝜔0 > 0, 𝜔1 > 0, 𝜔1 < 1

Donde 𝜎𝑡 y 𝑒𝑡 son dos procesos estacionarios independientes entre sí. El proceso 𝑒𝑡 es

𝜎𝑡2 = 𝜔0 + ∑𝑝𝑖=1 𝜔𝑖 𝑎𝑡−𝑖

Los modelos GARCH, capturan importantes características de una serie de tiempos en

6. DISCUSIÓN DE LOS DATOS

Las características del precio de cierre son las siguientes:

 Se emplea como referencia cuando los inversionistas evalúan el desempeño a largo

Precio de cierre en un mercado continuo.-

Las especificaciones que tiene el modelo ARCH

Identificar los efectos ARCH en la serie de tiempo 𝑌𝑡 :

𝑦𝑡 = 𝜃0 + 𝜃1 𝑦𝑡−1 + 𝜃1 𝑦𝑡−1 + ⋯ + 𝜃𝑛 𝑦𝑡−𝑛 +∈𝑡

Identificar el tipo de modelo AR(n) que sigue la serie.

Mediante un test de significancia establecemos si estamos en presencia de una varianza

ℎ𝑡 =∝0 +∝1 ∈12 + ⋯ +∝𝑝 ∈2t−p

Si se rechaza la hipótesis nula concluimos la existencia de los efectos ARCH.

1) ∝𝑖 > 0, ∝𝑖 ≥ 0 Garantiza la Varianza Positiva.

En el cual observamos un componente tendencial inicialmente creciente luego decreciente, aunque

Además se logra observar que no es estacionaria sobre su media.

7.2 PRUEBA DE RAÍZ UNITARIA EN NIVELES

Planteamiento de las hipótesis de investigación.

𝐻0 : 𝐸𝑙 𝑝𝑟𝑒𝑐𝑖𝑜 𝑑𝑒 𝑐𝑖𝑒𝑟𝑟𝑒 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎

𝐻1 : 𝐸𝑙 𝑝𝑟𝑒𝑐𝑖𝑜 𝑑𝑒 𝑐𝑖𝑒𝑟𝑟𝑒 𝑛𝑜 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎

El criterio de decisión será

Si Prob>0.05 se acepta la hipótesis nula.

Si Prob<0.05 se rechaza la hipótesis nula.

Utilizando la prueba de Dickey Fuller se tiene.

En la prueba se obtiene una probabilidad del 0.4743 > 0.05

Por lo tanto, utilizando nuestro criterio de decisión

Por lo que no podremos utilizarlos en nuestro modelo de cálculo de la volatilidad.

7.3 CONDICIÓN DE ESTACIONARIEDAD EN LA MEDIA