MIME-Version: 1.0 Content-Type: multipart/related; boundary="----=_NextPart_01D78607.6CDB8DA0" Este documento es una página web de un solo archivo, también conocido como "archivo de almacenamiento web". Si está viendo este mensaje, su explorador o editor no admite archivos de almacenamiento web. Descargue un explorador que admita este tipo de archivos. ------=_NextPart_01D78607.6CDB8DA0 Content-Location: file:///C:/9E85C06C/802-GALERADA-FINAL.htm Content-Transfer-Encoding: quoted-printable Content-Type: text/html; charset="windows-1252"
https://doi.org/10.37815/rt=
e.v33n1.802
Artículos originales
Transmission of Volatility of COVID-19 to the Share Prices of the Ba=
nking
and Industrial Sectors of South America, Mexico =
and
the United States
Luis Eduardo Peñafiel1<=
/span> https://orcid.org/0000-0002-5571-3978=
span>
1 Pontificia Universidad Católica Argenti=
na, Buenos Aires, Argentina=
span>
lueduardo1994@gmail.com
Enviado: =
2021/01/20
Aceptado: =
2021/04/07
Publicado: =
2021/06/30
Este trabajo tiene como objetivo la modelización de la volatilidad de los precios de acciones del sector bancario e industrial de Sudamérica, México y Estados Unidos en el contexto de la pandemia del COVID= -19. Para ello, se estiman los modelos TGARCH (1,1) y EGARCH (1,1). Estos modelos empíricos son ventajosos, porque permiten una respuesta asimétrica de la varianza condicionada en función del signo de los residuos. Es un elemento crucial para los diseños de cartera y gestión de riesgos, y la medición de = la volatilidad de los mercados financieros para capturar potenciales oportunid= ades o pérdidas de inversión. El análisis realizado revela que Brasil fue el más volátil ante el impacto del COVID-19; lo siguen Colombia, Perú, Chile y Argentina. Un caso aparte son Ecuador y México, que no tuvieron impacto significativo en la volatilidad de los precios de las acciones. Por otro la= do, el shock del COVID-19 ha impactado en mayor medida a la volatilidad = del sector industrial en Sudamérica y México comparado con el sector bancario en los Estados Unidos.
Palabras clave: hetero=
cedasticidad
condicional, volatilidad, precios, COVID-19.
Abstract
This work is aimed at modeling the volatility of share prices in the bankin=
g and
industrial sectors of South America, Mexico, and the United States during t=
he
COVID-19 pandemic. For this purpose, the TGARCH (1,1) and EGARCH (1,1) mode=
ls
are estimated. These empirical models are advantageous because they allow an
asymmetric response of the conditioned variance depending on the sign of the
residuals. It is a crucial element for portfolio designs and risk managemen=
t to
measure the volatility of financial markets and capture potential investment
opportunities or losses. The analysis carried out reveals that Brazil was t=
he
most volatile when facing the impact of COVID-19, followed by Colombia, Per=
u,
Chile, and Argentina. A separate case is Ecuador and Mexico, which did not =
have
a significant impact on the volatility of share prices. On the other hand, =
the
COVID-19 shock had a greater impact on the volatility of the industrial sec=
tor
in South America and Mexico, while affecting greatly the banking sector in =
the
United States.
Keywords: Conditional heteroskedasticity, volatility, pri=
ces,
COVID-19.
=
&nb=
sp; =
&nb=
sp; =
&nb=
sp; =
1. =
span>Introducción
Cada vez má=
s los
pronósticos indican que los efectos de la pandemia COVID-19 superarán a las
crisis financieras pasadas (Peñafiel Chang, et al. 2020; Peñafiel Chang, 20=
21).
En principio, el radical confinamiento se ha manifestado en una clara
externalidad negativa que ha provocado tres tipos de shock simultáneos. Por=
un
lado, está el shock de demanda causado por el hecho de que las empre=
sas
se ven forzadas a realizar reestructuraciones (Peñafiel Chang, 2020a); esto=
debido
a que, a diferencia de otras crisis, en esta no podrán seguir produciendo c=
omo
lo hacían antes, a excepción de algunas industrias específicas.
Por otro lado, está el shock de ofe=
rta
que se produce por el periodo de deflación originado por la reducción del g=
asto
de las familias (Peñafiel Chang, 2020b), y, finalmente, el shock financi=
ero,
producido por la suma de los dos sh=
ocks
anteriores, que se caracteriza por el aumento de la morosidad debido a las =
dificultades
en la devolución de las deudas (Peñafiel Chang, 2019; Peñafiel Chang & =
Camelli, 2020). Este estudio se centra en los efectos=
sobre
los mercados financieros, aunque estos diversos shocks afectan a muchos sectores de la economía de manera disti=
nta.
Y es que, c=
on la
llegada de la pandemia, los mercados financieros de todo el mundo han tenid=
o fluctuaciones
en los precios de sus activos; fenómeno que se describe como un incremento =
de
la volatilidad (Chaudhary, Bakhshi,
& Gupta, 2020; Chevallier, 2020). De forma =
que,
tanto para los participantes del mercado financiero como para los regulador=
es,
es fundamental poseer y entender los indicadores de volatilidad para identi=
ficar
potenciales oportunidades o pérdidas de inversión. Para ello, esta investig=
ación
revisa un conjunto de medidas de volatilidad aplicadas a los precios de
acciones del sector industrial y bancario de Sudamérica, México y Estados
Unidos.
Qué mercados
financieros han sido más volátiles en el contexto del COVID-19 es la pregun=
ta a
la que se trata de responder en esta investigación. Más, precisamente, este trabajo indag=
a de
modo empírico sobre el rol que ha tenido la pandemia en la volatilidad de l=
os
mercados financieros de Sudamérica, México y Estados Unidos. Para ello, se
estiman los modelos TGARCH (1,1) y EGARCH (1,1); estos modelos empíricos son
ventajosos, porque permiten una respuesta asimétrica de la varianza
condicionada en función del signo de los residuos.
A parte de =
esta primera
sección que corresponde a la introducción y que ha explorado a
groso modo el estado actual de la problemática planteada, el trabajo
está ordenado del siguiente modo: la sección dos revisa la literatura respe=
cto con
la volatilidad de los mercados financieros; luego, en la sección tres, se
presenta un análisis econométrico formal, cuyos resultados se exponen de mo=
do
resumido en la sección cuatro; para finalizar, se presentan las conclusione=
s en
la quinta sección.
&nbs= p; &= nbsp; &nbs= p; &= nbsp; &nbs= p; &= nbsp; &nbs= p; 2. = span>Marco Teórico
La definic=
ión de
volatilidad en los mercados financieros se asocia a la amplitud de las fluc=
tuaciones
de los rendimientos de un activo en el tiempo, y aunque se trata de un conc=
epto
muy intuitivo, no está exento de dificultades (Fernández, 2002). La
modelización de la volatilidad asociada a un activo financiero ha crecido
exponencialmente y ha dado lugar a un gran volumen de investigaciones (Bollerslev,
Chou, y Kroner, 1992; Chri=
stoffersen
y Diebold, 1997; Begoña, 1998; Amigo Dobaño, 1999; Claessen y =
Mittnik, 2002; Poon y
La
literatura considera a la volatilidad como un proceso que evoluciona de man=
era
aleatoria en el tiempo. Por ello, la mayoría de los modelos planteados para
captar el comportamiento de la volatilidad se formulan sobre alguna medida =
de
dispersión, cuya desviación típica (=
) es alguna transfor=
mación,
siendo en esta lo más frecuente =
y =
.
Las
diferentes maneras de representar esta variable surgen como respuesta a la
relación existente entre la volatilidad y las variables del conjunto de
información. Generalmente, son las novedades sobre su valor fundamental y l=
as
alteraciones en el entorno macroeconómico las principales fuentes de cambio=
s en
los precios de los activos (Kim y Wu, 1987; Cooper, Ch=
uin
y Atkin, 2004; Bilson, Brailsford, y Hooper, 2005; Cauc=
hie,
Hoesli, y Isakov, 2=
005;
Flannery y Protopapadakis, 2005; Baresa,
Bogdan, y Ivanovic, 2013; Ato Forson
y Janrattanagul, 2014; Bar=
nor,
2014; Fama, 2014; Jakpar, =
Tinggi,
Tak, y Chong, 2018; Demir<=
/span>,
2019; Rehman, Kashif, y Sa=
leem,
2019).
Sin
embargo, al existir comúnmente problemas de concordancia entre la frecuenci=
a de
las variables financieras respecto con las variables macroeconómicas, la op=
ción
más utilizada por la literatura es la información de la propia historia de =
la
serie. La evidencia del conjunto de trabajos revisados también muestra que =
la
capacidad de modelización de la volatilidad depende del mercado analizado y=
de
las medidas del error de previsión. Por consiguiente, la mejor manera de me=
dir
la volatilidad vendrá dado por cómo se tenga en cuenta aspectos del mercado=
en
concreto, la periodicidad de las observaciones y el uso final de la previsi=
ón
de la volatilidad.
En
ese sentido, los modelos tipo GARCH han sido fuertemente impulsados al
adaptarse con facilidad a las dinámicas antes mencionadas, porque permiten
diferentes parametrizaciones de la ecuación de la varianza. Sobre esto exis=
ten estudios
relevantes (Alonso, 1992; Goyal, 2000; Gazda y Výrost, 2003;
De
hecho, diversos trabajos, como los de Bhunia y =
Ganguly (2020); Bildirici=
, Bayazit, y Ucan (2020); <=
span
class=3DSpellE>Duttilo, Gattone y Battis=
ta (2021);
Fakhfekh, Jeribi y =
Ben
Salem (2021); Lamouchi y B=
adkook,
2020; Ngu Chuan Yon=
g, Mahdi Ziaei, y R. Szulczyk (2021), han incluido dentro de sus análisis =
los
modelos tipo GARCH para conocer la volatilidad de los mercados financieros
durante el estallido del nuevo coronavirus. Por tal motivo, el interés de e=
ste
trabajo se centra en los modelos GARCH asimétricos TGARCH y EGARCH, debido a
que se requiere la introducción de la posibilidad de que la volatilidad
responda de manera asimétrica ante cambios de distintos signos en los preci=
os.
&nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp;
3. =
span>Metodología
En =
esta
sección se reportan las estimaciones formales de los parámetros de las
especificaciones de (φ, =
, <=
/span>=
, <=
/span>=
)=
span> de los modelos EGARCH y TGARCH. El razonamiento de colección de las
variables obedeció al interés de examinar el impacto de la pandemia a la
volatilidad de precios de las acciones del sector industrial y bancario. La
muestra que se analizó estuvo compuesta por observaciones diarias entre el =
5 de
enero hasta el 20 de mayo de 2020, obtenidas de las bolsas de valores de ca=
da
país.
El
estudio consideró el análisis de las acciones con mayor presencia bursátil,=
es
decir, las acciones con mayor grado de liquidez. Se lo calculó dividiendo el
número de negociaciones en que la acción ha sido transada en un tiempo
determinado para el numero de negociaciones realizadas en total, durante el
mismo periodo de tiempo. Para este estudio se consideró las acciones de los
siguientes países: Estados Unidos: JPMorgan Chase, Walmart, General Motors;
Ecuador: Banco de Guayaquil, Corporación la Favorita, =
Natluk;
Perú: Banco BBVA, Empresa Siderúrg=
ica
del Perú, Unión Andina de Cementos; Colombia:
Bancolombia, Grupo Argos, Grupo Nutresa; Argentina: Grupo Supervielle, Cablevisión, Aluar
Aluminio; Chile: Banco Itaú, Falabella, Embotelladora Andina; México: Grupo
Financiero Inbursa, Grupo Bimbo, América móvil; Brasil: Banco Bradesco, Metalúrgica Gerdau,
Con=
el
fin de analizar el impacto de la pandemia en los mercados financieros, se
consideraron los modelos EGARCH y TGARCH, porque son capaces de modelar los
cambios asimétricos de los incrementos y decrementos de los rendimientos de=
las
acciones. Dicho de otro modo, permite captar la volatilidad de manera
asimétrica ante cambios de distintos signos en los precios.
Un =
modelo
EGARCH (modelo exponencial generalizado autoregresivo<=
/span>
condicionalmente heterocedástico), desarrollado
inicialmente por Nelson (1991), tiene la virtud de modelar el comportamiento
asimétrico de la varianza, que depende del tiempo, y, al mismo momento,
garantizar que la varianza sea siempre positiva.
Esta
técnica modela el efecto de la asimetría al considerar una función g de las
innovaciones z_t, que son variables independien=
tes e
idénticamente distribuidas (i.i.d.) de media ce=
ro,
que involucra tanto el valor de la innovación z_t
como su magnitud expresada por medio de |<=
![if !msEquation]>=
| - E(|=
<=
![if !msEquation]>=
|).
Siguiendo la
metodología propuesta por Monsegny y Cuervo (20=
08),
en términos matemáticos, tenemos:
g(=
) =3D (θ + λ=
) =
– λ E(|=
(1)
Donde
θ y λ son números reales. El efecto de asimetría puede verse
claramente al expresar la función g por casos:
g(=
) =3D =
(<=
!--[if supportFields]> SEQ Ecuación \* ARABIC <=
span
lang=3DES-US style=3D'font-size:11.0pt;line-height:102%;color:windowtext;
font-style:normal'>2)
Con=
esta
definición de g, decimos que un proceso estocástico =
obedece a un modelo en regresión exponen=
cial
generalizado autoregresivo condicionalmente
=
|=
=
<=
span
style=3D'mso-spacerun:yes'> ~ N ( =
,=
=
)=
=
(<=
span
style=3D'mso-no-proof:yes'>3)
=
=3D E[=
| =
]
<=
span
style=3D'mso-spacerun:yes'> =
=3D =
<=
span
style=3D'mso-spacerun:yes'> Ꞵ =
(4)
Ln (=
=3D
Ln VAR[=
| =
]
<=
span
style=3D'mso-spacerun:yes'> =3D Ꞓ +
=
) <=
span
class=3DGramE> (5)
=
<=
span
style=3D'mso-spacerun:yes'> =3D =
<=
span
style=3D'mso-spacerun:yes'> - =
<=
span
style=3D'mso-spacerun:yes'> Ꞵ =
(6)
Donde:
=
: variable
aleatoria
T: es un conjunto discreto de índices
=
: información
pasada
=
: vector de
observaciones de las variables explicativas
Ꞵ: vector de parámetros desconocidos
Ꞓ: es una
constante
=
f( =
| =
) =3D =
=
(<=
span
style=3D'mso-element:field-begin'> SEQ Ecuación \* ARABIC 7)
Donde Г (.) es la función gama,
=
<=
span
style=3D'mso-spacerun:yes'> =3D =
span>=
<=
span
style=3D'mso-spacerun:yes'>
(8)
(v) es un parámetro positivo,=
y
si es igual a 2, se tiene la distribución normal. A partir del logaritmo de=
la
verosimilitud para T observaciones, se obtienen las estimaciones de los
parámetros para la media y la varianza. La ecuación (5) puede expresarse co=
mo:
Log ( =
) =3D φ + =
+ =
=
+ =
log
( =
) =
(9)
Log
( <=
![if !msEquation]>=
) es el logaritmo de la s=
erie
de la variancia ( <=
![if !msEquation]>=
), que hace que el efecto
sea exponencial en vez de cuadrático. Esto asegura que las estimaciones no =
sean
negativas. Donde, φ =3D es una constante, =
=3D efectos Arch, =
=3D efectos asimétricos, =
span>=
=3D efectos Garch.
Si <=
![if !msEquation]>=
=3D <=
![if !msEquation]>=
=3D …=3D 0, el modelo es simétrico. Per=
o si
<=
![if !msEquation]>=
< 0, implica que shocks negativos generan mayor
volatilidad que shocks positivo=
s.
Por otro lado, un modelo TGARCH (modelo por umbra=
les
generalizado autoregresivo, condicionalmente heterocedástico), desarrollado inicialmente por Zakoian (1994), tiene la virtud de dividir la distrib=
ución
de los shocks en intervalos
disjuntos. Dicho esto, un proceso estocástico =
, obedece a un modelo en regresi=
ón
por umbrales generalizado autoregresivo
condicionalmente heterocedástico de órdenes p y=
q,
TGARCH (p, q), si satisface:
=
|=
=
<=
span
style=3D'mso-spacerun:yes'> ~<=
/span> =
N ( =
,=
=
)=
(10)
=
=3D
E [=
| =
]
=
=3D =
<=
span
style=3D'mso-spacerun:yes'> Ꞵ =
(11)
=
=3D
VAR [=
| =
]
=3D =
w
=3D φ + =
+ =
=
+ =
=
<=
/span> (12)
S=
ea =
<=
span
style=3D'mso-spacerun:yes'> =3D =
<=
span
style=3D'mso-spacerun:yes'> (13)
=
<=
span
style=3D'mso-spacerun:yes'> =3D =
<=
span
style=3D'mso-spacerun:yes'> - =
<=
span
style=3D'mso-spacerun:yes'> Ꞵ =
(14)
Donde:
=
: variable
aleatoria
T: es un conjunto discreto de índices
=
: información
pasada
=
: vector de
variables explicativas observadas en el tiempo t.
=
φ: constante
La variable =
usa un umbra igual a cero para clasifica=
r los
impactos pasados. En la ecuación (12), si el coeficiente =
,
que corresponde al parámetro de apalancamiento, es cero, el modelo se convi=
erte
en un GARCH (p, q) estándar. De acuerdo con este modelo, cuando se tiene un
shock positivo, el efecto que se tiene en la volatilidad es igual a =
=
.
Asimismo, cuando hay un shock negativo, el efecto en la volatilidad es =
. A partir del
logaritmo de la verosimilitud para T observaciones, se obtienen las estimac=
iones
de los parámetros para la media y la varianza. La ecuación (12) puede
expresarse como:
=
=3D
φ +
=
&nbs= p; &= nbsp; &nbs= p; &= nbsp; &nbs= p; &= nbsp; &nbs= p; &= nbsp; 4. = span>Resultados
I=
nminentemente
entre el 5 de enero hasta el 20 de mayo de 2020 fue el periodo en que los
gobiernos establecieron estrictos confinamientos en toda la región;
acontecimiento que constituyó una clara externalidad negativa. En la secció=
n de
anexos, por una parte, se muestran las estimaciones de los modelos y la evo=
lución
de los precios (ver Figura=
2) y por otra parte, en la mi=
sma
sección, Figura=
3, se presentan los rendimien=
tos
diarios de las acciones y, las pruebas de raíz unitarias (ver Tabla =
9), que garantizan la estacio=
nariedad
de los datos. En cuanto a la estimación, solo se confirma que el shock de la
pandemia afecta la variabilidad de los precios si y solo si ambos modelos
(EGARCH (1, 1), TGARCH (1, 1)) indican lo mismo; basta con que uno de ellos=
sea
no significativo para dar por hecho que el efecto del COVID-19 no afectó a =
la
volatilidad.
<= o:p>
A
continuación, en el histograma de la Figura
1 se muestra un resumen de las
estimaciones de volatilidad de asimétrica (λ) del modelo TGARCH (1,1).=
<= o:p>
Figura <= /span>1<= /span>
Estimaciones de volatilidad de asimétrica (λ) del modelo = TGARCH (1,1)
Notas. La figura muestra el coeficiente (λ) que es la diferencia de
volatilidad en la varianza condicional en condiciones normales con respecto=
al
shock de la pandemia de los activos financieros. Con fines ilustrativos, se
eligieron las acciones que dieron significativos en el modelo TGARCH (1, 1).
Fuente: Bolsa de valores de cada país y elaboración propia.
<= o:p>
P=
or último,
la elaboración y el diseño de este artículo responde a una minuciosa revisi=
ón
de literatura que garantizó que la conjetura de investigación se cumpla. Si=
endo
así, en este estudio se ha logrado construir modelos de la varianza condici=
onal
para las acciones con mayor presencia bursátil de cada sector de los siguie=
ntes
países: Estados Unidos: JPMorgan Chase, Walmart, General Motors (ver Tabla =
1); Ecuador: Banco de Guayaqu=
il,
Corporación la Favorita, Natluk (ver REF _Ref72592777 \h \* MERGEFORMAT Tabla =
2)Perú: Banco BBVA, Empresa Siderúrgica del Per=
ú,
Unión Andina de Cementos (ver Tabla =
3); Colombia: Bancolombia, Grupo Argos, Grupo Nutresa=
(ver Tabla =
4); Argentina: Grupo Supervielle, Cablevisión, Aluar
Aluminio (ver Tabla =
5); Chile: Banco Itaú, Falabe=
lla,
Embotelladora Andina (ver Tabla =
6); México: Grupo Financiero =
Inbursa,
Grupo Bimbo, América móvil (ver Tabla =
7); Brasil: Banco Bradesco, Metalúrgica Gerdau,
<= o:p>
&nbs= p; &= nbsp; &nbs= p; &= nbsp; &nbs= p; &= nbsp; &nbs= p; 5. = span>Conclusiones
E=
n este
trabajo se muestra que la volatilidad de los activos financieros siempre ha
sido un objeto de estudio de los inversionistas y organismos reguladores pa=
ra
poder realizar una valoración y gestión del riesgo más eficaz. Además, se
analiza la influencia de la pandemia COVID-19 en la volatilidad de acciones=
del
sector industrial y bancario de Sudamérica, México y Estados Unidos durante=
el
periodo del 5 de enero de 2020 al 20 de mayo de 2020, mediante la estimació=
n de
los modelos EGARCH (1,1) y TGARCH (1,1).
<= o:p>
L=
os
hallazgos de este trabajo resultan interesantes en cuanto se evidencian cin=
co
hechos estilizados para el mercado accionario de Sudamérica, México y Estad=
os
Unidos. Los resultados obtenidos muestran que: i) la pandemia no afectó
significativamente a la volatilidad de las acciones de Ecuador y México; ii) la pandemia si afectó a la variabilidad de los pr=
ecios
de las acciones de: Chile (Banco Itau), Argenti=
na
(Cablevisión), Colombia (Bancolombia y Grupo Nutresa), Perú ( Unión Andina =
de
Cementos y Banco BBVA), Brasil ( Banco Bradesco, Metalúrgica Gerdau y Atacadao), Estados Unidos ( JPMorgan Chase, Walmart,
General Motors); iii) la volatilidad de Brasil =
es
superior al resto de países; iv) a diferencia de Estados Unidos, en los =
demás
países, en general, el shock de la pandemia afecta en mayor medida al sector
industrial; v) el impacto de la pandemia en la volatilidad de los precios de
las acciones de la región es bastante heterogénea, es decir, mientras que en
Estados Unidos la pandemia afecta a la volatilidad de los precios de todas =
las
empresas, para el caso de la región no aplica lo mismo.
<=
span
style=3D'mso-spacerun:yes'>
S=
ería
interesante en futuros estudios extender el análisis a un mayor número de
acciones y otros tipos de activos financieros. Por otra parte, los resultad=
os
inevitablemente estarán sesgados por el criterio técnico del profesional, l=
as
decisiones impactarán en la elección de los métodos que capten el
comportamiento de la volatilidad. En todo caso, la información obtenida de =
este
estudio procura mostrar los efectos y las consecuencias de una pandemia a n=
ivel
global dentro del plan de acción de la política monetaria y administración =
de
riesgos de los mercados de capitales.
<= o:p>
Alberg,
D., Shalit, H., & Yosef, R. (2008). Estimating stock market volatility
using asymmetric GARCH models. Applied Financial Economics, 18(15),
1201–1208. https://doi.org/10.1080/09603100701604225
Ali,
G. (2013). EGARCH, GJR-GARCH, TGARCH, AVGARCH, NGARCH, IGARCH and APARCH Mo=
dels
for Pathogens at Marine Recreational Sites. Journal of Statistical and Econometric Methods, 2(3), 1–6.
Alonso, F. (1992). La Volati=
lidad
Del Mercado De Acciones Español. Retrieved from
https://core.ac.uk/download/pdf/6501420.pdf
Baresa,
S., Bogdan, S., & Ivanovic, Z. (2013). Strategy of Stock Valuation By
Fundamental Analysis. UTMS Journal of Economics, 4(1), 45–51.=
Barnor,
C. (2014). The impact of macroeconomic variables on stock market returns in
Ghana (2000-2013). International Journal of Business and Commerce, <=
i>3(11),
1–31.
Begoña,
F. (1998). Modelización de series temporales financieras. Una recopilación.=
Statistics
and Econometrics, 6(July), 1–46.
Bhowmik,
R., & Wang, S. (2020). Stock market volatility and return analysis: A
systematic literature review. Entropy, 22(5), 1–18.
https://doi.org/10.3390/E22050522
Bhunia,
A., & Ganguly, S. (2020). An assessment of volatility and leverage effe=
ct
before and during the period of Covid-19: a study of selected international
stock markets. International Journal of Financial Services Management, 10(2),
113. https://doi.org/10.1504/ijfsm.2020.110224
Bildirici,
M., Bayazit, N. G., & Ucan, Y. (2020). Analyzing crude oil prices under=
the
impact of COVID-19 by using lstargarchlstm. Energies.
https://doi.org/10.3390/en13112980
Bilson,
C., Brailsford, T. J., & Hooper, V. J. (2005). Selecting Macroeconomic
Variables as Explanatory Factors of Emerging Stock Market Returns. SSRN
Electronic Journal. https://doi.org/10.2139/ssrn.201908
Bollerslev,
T., Chou, R. Y., & Kroner, K. F. (1992). ARCH modeling in finance. A re=
view
of the theory and empirical evidence. Journal of Econometrics, 52=
(1–2),
5–59. https://doi.org/10.1016/0304-4076(92)90064-X
Caldeira,
A. M., Machado, M. A. S., Souza, R. C., & Tanscheit, R. (2014). Garch M=
odel
Indentification Using Neural Network. Independent Journal of Management
& Production, 5(2), 527–541.
https://doi.org/10.14807/ijmp.v5i2.161
Cauchie,
S., Hoesli, M. E. R., & Isakov, D. (2005). The Determinants of Stock
Returns in a Small Open Economy. SSRN Electronic Journal.
https://doi.org/10.2139/ssrn.391996
Chaudhary,
R., Bakhshi, P., & Gupta, H. (2020). Volatility in International Stock
Markets: An Empirical Study during COVID-19. Journal of Risk and Financi=
al
Management, 13(9), 208. https://doi.org/10.3390/jrfm13090208
Chevallier,
J. (2020). COVID-19 Pandemic and Financial Contagion. Journal of Risk and
Financial Management, 13(12), 309.
https://doi.org/10.3390/jrfm13120309
Christoffersen,
P. F., & Diebold, F. X. (1997). How relevant is volatility forecasting =
for
financial risk management? Review of Economics and Statistics, 82=
(1),
12–22. https://doi.org/10.1162/003465300558597
Claessen,
H., & Mittnik, S. (2002). Forecasting stock market volatility and the
informational efficiency of the DAX-index options market. European Journ=
al
of Finance, 8(3), 302–321. https://doi.org/10.1080/1351847011007=
4828
Cooper,
R., Chuin, L., & Atkin, M. (2004). Relationship between Macroeconomic V=
ariables
and Stock Market Indices: Cointegration Evidence from Stock Exchange of
Singapore’s All-S Sector Indices. Economics Letters, 21(3),
461–504. https://doi.org/10.1016/j.jfineco.2006.10.002
Datta,
T., & Ghosh, I. (2015). Forecasting Volatility in Indian Stock Market u=
sing
Artificial Neural Network with Multiple Inputs and Outputs. International
Journal of Computer Applications, 120(8), 7–15.
https://doi.org/10.5120/21245-4034
Demir,
C. (2019). Macroeconomic determinants of stock market fluctuations: The cas=
e of
BIST-100. Econo=
mies, 7(1).
https://doi.org/10.3390/economies7010008
Dobaño, L. (1999). Modelos Arch=
: Un
análisis de volatilidad de series temporales financieras. Anuales de
Estudios Económicos y Empresariales, (14), 67–84.
Duttilo, P., Gattone, S. A., &a=
mp;
Battista, T. Di. (2021). Volatility modeling : an overview =
of
equity markets in the euro area during COVID-19 Pandemic.
https://doi.org/10.3390/1010000
Engle,
R. (2004). Risk and volatility: Econometric models and financial practice. =
American
Economic Review, 94(3), 405–420.
https://doi.org/10.1257/0002828041464597
Fakhfekh,
M., Jeribi, A., & Ben Salem, M. (2021). Volatility dynamics of the Tuni=
sian
stock market before and during the COVID-19 outbreak: Evidence from the GAR=
CH
family models. International Journal of Finance and Economics,
(February). https://doi.org/10.1002/ijfe.2499
Fama,
E. F. (2014). Two pillars of asset pricing. American Economic Review=
, 104(6),
1467–1485. https://doi.org/10.1257/aer.104.6.1467
Fernández, M. D. R. (2002). Med=
idas
de volatilidad. Revista Española de Financiación y Contabilidad, =
31(114),
1073–1110. https://doi.org/10.1080/02102412.2002.10779469
Figlewski,
S. (2004). Forecasting volatility. New York University Stern School of
Business, 120–157.
Flannery,
M. J., & Protopapadakis, A. (2005). Macroeconomic Factors DO Influence
Aggregate Stock Returns. SSRN Electronic Journal.
https://doi.org/10.2139/ssrn.314261
Forson,
J., & Janrattanagul, J. (2014). Selected macroeconomic variables and st=
ock
market movements: Empirical evidence from Thailand. Contemporary Economi=
cs,
8(2), 157–174. https://doi.org/10.5709/ce.1897-9254.138
Frömmel,
M. (2004). Modelling Exchange Rate Volatility in the Run-up to EMU using a
Markov Switching GARCH Model. October, (306), 1–18.
Gazda,
V., & Výrost, T. (2003). Application of Garch Models in Forecasting the
Volatility of the Slovak Share Index ( Sax ). Economics Focus, XI=
,
17–20.
Goyal,
A. (2000). Predictability of Stock Return Volatility from GARCH Models, (Ma=
y).
Hanapi,
A. L. M., Othman, M., Sokkalingam, R., Ramli, N., Husin, A., & Vasant, =
P.
(2020). A novel fuzzy linear regression slidingwindow GARCH model for
time-series forecasting. Applied Sciences (Switzerland), 10(6=
).
https://doi.org/10.3390/app10061949
Jakpar,
S., Tinggi, M., Tak, A. H., & Chong, W. Y. (2018). Fundamental Analysis=
VS
Technical analysis: The Comparison of Two Analysis in Malaysia Stock Market=
. UNIMAS
Review of Accounting and Finance, 1(1), 38–61.
https://doi.org/10.33736/uraf.1208.2018
Kim,
M. K., & Wu, C. (1987). Macro‐Economic Factors and Stock Returns.=
Journal
of Financial Research, 10(2), 87–98.
https://doi.org/10.1111/j.1475-6803.1987.tb00481.x
Knight,
J., & Satchell, S. (2007). Forecasting Volatility In The Financial
Markets. Quantitative Finance Series.
https://doi.org/10.1016/B978-0-7506-6942-9.X5000-6
Lama,
A., Jha, G. K., Paul, R. K., & Gurung, B. (2015). Modelling and Forecas=
ting
of Price Volatility: An Application of GARCH and EGARCH Models. Agricult=
ural
Economics Research Review, 28(1), 73.
https://doi.org/10.5958/0974-0279.2015.00005.1
Lamouchi,
R. A., & Badkook, R. (2020). Gold Prices Volatility among Major Events =
and
During the Current COVID-19 Outbreak. Journal of Statistical and Econome=
tric
Methods, 9(July), 39–52.
Li,
D., Clements, A., & Drovandi, C. (2020). Efficient Bayesian estimation =
for
GARCH-type models via Sequential Monte Carlo. Econometrics and Statistic=
s,
(Dan Li), 1–37. https://doi.org/10.1016/j.ecosta.2020.02.002
Nelson, D. =
(1991).
Conditional Heteroskedasticity in Asset Returns. a New Approach. Econometri=
ca
59(2): 347-370.
Ngu
Chuan Yong, J., Mahdi Ziaei, S., & R. Szulczyk, K. (2021). The Impact of
Covid-19 Pandemic on Stock Market Return Volatility: Evidence from Malaysia=
and
Singapore. Asian Economic and Financial Review, 11(3), 191–20=
4.
https://doi.org/10.18488/journal.aefr.2021.113.191.204
Monsegny, M. C., & Cuervo, =
E. C.
(2008). Modelos arch, garch y egarch: Aplicaciones a series financieras. Cuadernos
de Economia, 27(48), 287–319.
Montenegro, R. (2010). Medición=
de la
volatilidad en series de tiempo financieras: Una evolución a la tasa de cam=
bio
representativa del mercado (TRM) en Colombia. Revista Finanzas y Política
Económica, 2(1), 125–132.
Opschoor, A. (2013). Understand=
ing
Financial Market Volatility. International Finance<=
span
lang=3DEN-US style=3D'font-size:10.0pt;mso-ansi-language:EN-US;mso-no-proof=
:yes'>,
589–610. https://doi.org/10.1093/acprof:oso/9780199754656.003.0028
Panait,
I. (2012). Using Garch-in-Mean Model to Investigate Volatility and Persiste=
nce
at Different Frequencies for Bucharest Stock Exchange during 1997-2012. Theoretical and Applied Economi=
cs, 19(5), 55–76.
Peñafiel Chang, L. E. (2019). La
Dinámica Macroeconómica y la morosidad del sistema financiero del Ecuador
(2009-2018). Cuestiones Económica, 29(1). Retrieved from
https://estudioseconomicos.bce.fin.ec/index.php/RevistaCE/article/view/35
Peñafiel
Chang, L. E. (2020a). Decisiones
empresariales de productividad y reajuste ante la crisis argentina 2018-201=
9.
Caso GRIMOLDI. Ciencia UNEMI, 13(32), 109–122.
Peñafiel Chang, L. E. (2020b).
Dinámica de la tasa de interés, deflación y producción ante el shock del
coronavirus en el marco de un modelo ‘ DSGE ’ neo - keynesiano para la econ=
omía
ecuatoriana. X-Pedientes Económicos, 4(10), 6–18. Retrieved f=
rom
https://ojs.supercias.gob.ec/index.php/X-pedientes_Economicos/article/view/=
119
Peñafiel Chang, L. E. (2021).
Regionalización de la cadena de valor : oportunidades y desafíos para
América Latina en la nueva era del Sars-Cov-2 . Revista Ciencia UNEMI, 14,
81–91.
Peñafiel Chang, L. E., & Ca=
melli,
G. B. (2020). Coordinación de Política Económica mediante el estudio de la
Relación Dinámica-Macroeconómica de la cartera de morosidad de consumo del
Ecuador en el periodo 2009-2019. Revista Tecnológica - ESPOL, 32<=
/i>(1).
https://doi.org/10.37815/rte.v32n1.722
Peñafiel Chang, L. E., Camelli,=
G.,
& Peñafiel Chang, P. (2020). Pandemia COVID-19: Situación política -
económica y consecuencias sanitarias en América Latina. Ciencia
Unemi, 13(33), 120–128.
Petrica,
A., & Stancu, S. (2017). Empirical Results of Modeling EUR/RON Exchange
Rate using ARCH, GARCH, EGARCH, TARCH and PARCH models. Romanian Statist=
ical
Review, 65(1), 57–72.
Pflueger,
C., Siriwardane, E., & Sunderam, A. (2019). Financial Market Risk
Perceptions and the Macroeconomy*. The Quarterly Journal of Economics,
17–40. https://doi.org/10.1093/qje/qjaa009
Poon,
S.-H. (2005). A Practical Guide to Forecasting Financial Market Volatili=
ty.
Poon,
S.-H., & Granger, W. (2003). Forecasting Volatility in financial market=
s: A
Review. Journal of Economic Literature, 41, 478–539.
Rehman,
N., Kashif, M., & Saleem, A. (2019). Financial and Economic Indicators =
of
economic advancement: Evidence from Asian countries. International
Transaction Journal of Engineering, Management and Applied Sciences, 10(14),
1–10. https://doi.org/10.14456/ITJEMAST.2019.187
Rupande, L., Muguto, H. T., &am=
p;
Muzindutsi, P. F. (2019). Investor sentiment and stock retu=
rn
volatility: Evidence from the Johannesburg Stock Exchange. Cogent Economics and Finance, 7(1), 1–16.
https://doi.org/10.1080/23322039.2019.1600233
Sosa, M., Bucio, C., & Cabe=
llo,
A. (2019). Dependencia condicional en el bloque TLCAN : un análisis c=
on
modelos GARCH y Cópula. Ecos de Economía, 22(47),
73–91. https://doi.org/10.17230//ecos.2018.47.4
Wu,
J. (2010). Threshold GARCH Model: Theory and Application. Publish.Uwo.Ca=
,
(April), 1–42. Retrieved from http://publish.uwo.ca/~jwu87/files/Jing1207.p=
df
Zakoian, J. =
M.,
(1994.) Threshold Heteroskedastic Models. Journal of Economic Dynamics and
Control.
Tabla 1
Estimaciones
de los parámetros y pruebas de diagnóstico para Estados Unidos
|
JPMorgan
Chase EGARCH
(1,1) |
JPMorgan
Chase TGARCH
(1,1) |
Walmart=
EGARCH
(1,1) |
Walmart=
TGARCH
(1,1) |
General
Motors EGARCH
(1,1) |
General
Motors TGARCH
(1,1) |
c |
-0,0039 |
-0,0052 |
-0,0023 |
-0,0019 |
-0,0056 |
-0,0034 |
|
[0,0782] |
[0,0006] |
[0,1037] |
[0,1759] |
[0,0514] |
[0,1900] |
Var (-1) |
-0,1663 |
-0,1709 |
-0,1205 |
-0,1574 |
0,1520 |
0,1538 |
|
[0,1002] |
[0,0210] |
[0,1998] |
[0,0762] |
[0,1577] |
[0,1770] |
φ |
-0,4322 |
0,0000 |
-0,4982 |
0,0000 |
-0,3533 |
0,0000 |
|
[0,0274] |
[0,0009] |
[0,0211] |
[0,3755] |
[0,0325] |
[0,3802] |
η |
0,1154 |
-0,2516 |
0,3408 |
0,0474 |
0,1220 |
-0,0001 |
|
[0,6448] |
[0,1040] |
[0,0276] |
[0,6468] |
[0,5946] |
[0,9993] |
λ |
-0,3855 |
0,6993 |
-0,2347 |
0,4171 |
-0,3238 |
0,4007 |
|
[0,0032] |
[0,0001] |
[0,0270] |
[0,0221] |
[0,0177] |
[0,0274] |
θ |
0,9520 |
0,9235 |
0,9652 |
0,8062 |
0,9559 |
0,8385 |
|
[0,0000] |
[0,0000] |
[0,0000] |
[0,0000] |
[0,0000] |
[0,0000] |
|
0,0960 |
0,0993 |
0,0473 |
0,0625 |
-0,0313 |
-0,0293 |
Akaike |
-4,1557 |
-4,2272 |
-5,0416 |
-5,057 |
-3,6943 |
-3,6568 |
Schwarz |
-3,9954 |
-4,0669 |
-4,8814 |
-4,8969 |
-3,5337 |
-3,4963 |
Hannan-Quinn |
-4,0909 |
-4,1623 |
-4,0769 |
-4,9924 |
-3,6292 |
-3,5920 |
Notas. Esta tabla muestra los resultados de regresión que provienen de la
estimación de las ecuaciones (9) y (15), siendo el p-v=
alue
los valores que están en corchetes. La interpretación del parámetro de
asimetría en los modelos EGARCH (1,1) indican que si se satisface que λ
< 0 implica que un shock negativo genera mayor volatilidad que un shock
positivo. Mientras que la interpretación del parámetro de asimetría en los
modelos TGARCH (1,1) indican que si se satisface que λ > 0 implica =
que
para ese activo hay asimetría en las noticias (Shock), es decir, que un sho=
ck
negativo tiene mayores efectos de volatilidad que un shock positivo. Los da=
tos
de las acciones provienen de la bolsa de valores de Estados Unidos. Elabora=
ción
propia.
Para el caso de Estados Unidos, las estimaciones del parámetro (_=
5;)
fueron significativas e indican que la pandemia afectó a la variabilidad de=
los
precios de las acciones JPMorgan Chase, Walmart y General Motors. La estima=
ción
de la varianza condicional frente al shock de la pandemia y en condiciones
normales queda construida como:
=
=
=3D 0,000 + 0,9235=
+ ( -0,2561 + 0,6993) =
(16)
=
JPMorgan =3D
0,000 + 0,9235=
=
+ (
-0,2561) =
(17)
=
=
=
=3D 0,000 + 0,8062=
+
(0,0474 + 0,4171) =
=
(18)
=
Walmart =3D
0,000 + 0,8062=
+
(0,0474) =
(19)
=
=
=
=3D 0,000 + 0,8385=
=
+ (
-0,0001 + 0,4007) =
=
span> (20)
=
General Motors =3D 0,000 + 0,8385=
=
+ (
-0,0001) =
(21)
Tabla 2
Estimaciones
de los parámetros y pruebas de diagnóstico para Ecuador
|
Banco de Guayaquil EGARCH (1,1) |
Banco de Guayaquil TGARCH (1,1) |
Corp. La Favorita EGARCH (1,1) |
Corp. La Favorita TGARCH (1,1) |
Natluk EGARCH (1,1) |
Natluk TGARCH (1,1) |
C |
-0,0032 |
-0,0051 |
-0,0001 |
-0,0000 |
0,0017 |
0,0002 |
|
[0,0000] |
[0,1196] |
[0,7199] |
[0,7923] |
[0,0000] |
[0,9056] |
Var (-1) |
-0,4490 |
-0,4148 |
-0,2501 |
-0,2655 |
0,2950 |
-0,0763 |
|
[0,0000] |
[0,0022] |
[0,0530] |
[0,0420] |
[0,0340] |
[0,6207] |
φ |
-1,3163 |
0,0001 |
-3,6063 |
0,0000 |
-7,4719 |
0,0000 |
|
[0,0026] |
[0,2407] |
[0,0625] |
[0,1706] |
[0,0000] |
[0,000] |
η |
-0,4747 |
-0,0102 |
0,4602 |
0,0841 |
-2,2465 |
-0,0345 |
|
[0,0002] |
[0,9374] |
[0,0203] |
[0,5739] |
[0,0000] |
[0,0000] |
λ |
-0,5204 |
0,2913 |
-0,2203 |
0,4904 |
2,7465 |
0,6629 |
|
[0,0000] |
[0,4815] |
[0,1965] |
[0,1953] |
[0,0000] |
[0,0000] |
θ |
0,7918 |
0,6567 |
0,7135 |
0,4731 |
0,1304 |
0,9477 |
|
[0,0000] |
[0,0191] |
[0,0000] |
[0,0947] |
[0,4568] |
[0,0000] |
|
0,1440 |
0,1564 |
0,0659 |
0,0668 |
-0,1424 |
-0,0088 |
Akaike |
-4,9527 |
-4,7418 |
-8,5268 |
-8,5289 |
-6,9777 |
-7,7145 |
Schwarz |
-4,7553 |
-4,5444 |
-8,3675 |
-8,3696 |
-6,7461 |
-7,4829 |
Hannan-Quinn |
-4,8746 |
-4,6637 |
-8,4624 |
-8,4645 |
-6,8898 |
-7,6266 |
Notas. Esta ta=
bla
muestra los resultados de regresión que provienen de la estimación de las
ecuaciones (9) y (15), siendo el p-value los va=
lores
que están en corchetes. La interpretación del parámetro de asimetría en los
modelos EGARCH (1,1) indican que si se satisface que λ < 0 implica =
que
un shock negativo genera mayor volatilidad que un shock positivo. Mientras =
que
la interpretación del parámetro de asimetría en los modelos TGARCH (1,1)
indican que si se satisface que λ > 0 implica que para ese activo h=
ay
asimetría en las noticias (Shock), es decir, que un shock negativo tiene
mayores efectos de volatilidad que un shock positivo. Los datos de las acci=
ones
provienen de la bolsa de valores de Ecuador. Elaboración propia.<=
span
style=3D'mso-bidi-font-size:11.0pt;mso-fareast-font-family:Calibri;mso-fare=
ast-language:
EN-US'>
Para el =
caso
de Ecuador, las estimaciones del parámetro (λ) fueron no significativa=
s en
los siguientes modelos: i) TGARCH =
del
Banco Guayaquil; ii) EGARCH y TGARCH de Corpora=
ción
la Favorita iii) EGARCH de Natluk
debido a que no se satisface la condición de λ < 0. Por lo tanto, se muestra que la pandemi=
a no
afectó a la variabilidad de los precios de estas acciones. La estimación de=
la
varianza condicional en condiciones normales queda construida como:
=
Banco de Guayaquil =3D 0,0001 + 0,6567=
+ ( -0,0102) =
(22)
=
Corp. La Favorita =3D 0,0000 + 0,4731=
+ (0,0841) =
(23)
=
=
Natluk
=3D 0,0000 + 0,9477=
=
+ (
-0,0345) =
(24)
Tabla 3
Estimaciones de los parámetros y pruebas de
diagnóstico para Perú
|
Banco BBVA EGARCH (1,1) |
Banco BBVA TGARCH (1,1) |
Empresa Siderúrgica EGARCH (1,1) |
Empresa Siderúrgica TGARCH (1,1) |
U. Andina Cementos EGARCH (1,1) |
U. Andina Cementos TGARCH (1,1) |
c |
-0,0039 |
-0,0021 |
-0,0017 |
-0,0024 |
-0,0037 |
-0,0016 |
|
[0,0000] |
[0,0814] |
[0,6383] |
[0,0257] |
[0,0000] |
[0,0695] |
Var (-1) |
-0,1414 |
0,0014 |
0,0788 |
0,0619 |
0,2127 |
0,0295 |
|
[0,1489] |
[0,9929] |
[0,4587] |
[0,4735] |
[0,0112] |
[0,8696] |
φ |
-0,8259 |
0,0000 |
-4,1861 |
-0,0000 |
-0,4794 |
0,0000 |
|
[0,0000] |
[0,0000] |
[0,4586] |
[0,0451] |
[0,0002] |
[0,1336] |
η |
-0,2240 |
-0,0786 |
-0,0862 |
0,0231 |
-0,3535 |
-0,0174 |
|
[0,0114] |
[0,0000] |
[0,6576] |
[0,0000] |
[0,0185] |
[0,7296] |
λ |
-0,5114 |
0,4958 |
-0,1382 |
-0,0637 |
-0,4218 |
0,8626 |
|
[0,0000] |
[0,0000] |
[0,5955] |
[0,0000] |
[0,0004] |
[0,0014] |
θ |
0,8778 |
0,7153 |
0,4186 |
1,0591 |
0,9063 |
0,7520 |
|
[0,0000] |
[0,0000] |
[0,5841] |
[0,0000] |
[0,0000] |
[0,0000] |
|
0,0198 |
-0,0092 |
0,0074 |
0,0071 |
0,0200 |
-0,0422 |
Akaike |
-5,4392 |
-5,3338 |
-4,3227 |
-4,5147 |
-5,5054 |
-5,2234 |
Schwarz |
-5,2631 |
-5,1623 |
-4,1466 |
-4,3386 |
-5,3293 |
-5,0473 |
Hannan-Quinn |
-5,3685 |
-5,2677 |
-4,2523 |
-4,4434 |
-5,4347 |
-5,1527 |
Notas.
Esta tabla muestra los resultados de regresión que provienen de la estimaci=
ón
de las ecuaciones (9) y (15), siendo el p-value=
los
valores que están en corchetes. La interpretación del parámetro de asimetrí=
a en
los modelos EGARCH (1,1) indican que si se satisface que λ < 0 impl=
ica
que un shock negativo genera mayor volatilidad que un shock positivo. Mient=
ras
que la interpretación del parámetro de asimetría en los modelos TGARCH (1,1)
indican que si se satisface que λ > 0 implica que para ese activo h=
ay
asimetría en las noticias (Shock), es decir, que un shock negativo tiene
mayores efectos de volatilidad que un shock positivo. Los datos de las acci=
ones
provienen de la bolsa de valores de Perú. Elaboración propia.
Para el =
caso
del Perú, las estimaciones del parámetro (λ) fueron no significativas =
en
el siguiente modelo: i) EGARCH de =
la
empresa Siderúrgica del Perú. Por =
lo
tanto, se muestra que la pandemia afectó a la variabilidad de los precios de
las acciones Banco BBVA y Unión Andina de cementos. La estimación de la
varianza condicional frente al shock de la pandemia y en condiciones normal=
es
queda construida como:
=
=
=3D 0,000 + 0,7153=
+ ( -0,0786 + 0,4958) =
(25)
=
Banco BBVA =3D
0,000 + 0,7153=
+ ( -0,0786) =
(26)
=
Emp. Siderúrgica =3D
-0,000 + 1,0591=
+ (0,0231) =
(27)
=
=
=3D
0,000 + 0,7520=
+ ( -0,0174 + 0,8626) =
(28)
=
<=
span
style=3D'font-size:11.0pt;mso-bidi-font-size:12.0pt;font-family:"Times New =
Roman",serif;
mso-fareast-font-family:"Times New Roman";position:relative;top:2.5pt;
mso-text-raise:-2.5pt;mso-ansi-language:ES-EC;mso-fareast-language:ES-TRAD;
mso-bidi-language:AR-SA'>=
=3D
0,000 + 0,7520=
+ ( -0,0174) =
(29)
Tabla 4
Estimaciones
de los parámetros y pruebas de diagnóstico para Colombia
|
Bancolombia EGARCH (1,1) |
Bancolombia TGARCH (1,1) |
Grupo Argos EGARCH (1,1) |
Grupo Argos TGARCH (1,1) |
Grupo Nutresa EGARCH (1,1) |
Grupo Nutresa TGARCH (1,1) |
c |
-0,0071 |
-0,0051 |
-0,0065 |
-0,0069 |
-0,0248 |
-0,0027 |
|
[0,0013] |
[0,0000] |
[0,0103] |
[0,0365] |
[0,0003] |
[0,0069] |
Var (-1) |
0,1139 |
-0,0378 |
0,0935 |
0,2097 |
-0,2301 |
-0,1101 |
|
[0,3491] |
[0,7811] |
[0,4305] |
[0,1065] |
[0,0043] |
[0,2086] |
φ |
-0,3524 |
0,0000 |
-0,6830 |
0,0000 |
-0,1179 |
0,0000 |
|
[0,0987] |
[0,0000] |
[0,0012] |
[0,1267] |
[0,3731] |
[0,0000] |
η |
-0,2864 |
-0,2448 |
0,4728 |
0,2015 |
-0,1916 |
-0,1538 |
|
[0,0082] |
[0,0000] |
[0,0005] |
[0,1683] |
[0,1239] |
[0,0031] |
λ |
-0,4404 |
0,3966 |
-0,1429 |
0,2770 |
-0,2565 |
0,2818 |
|
[0,0001] |
[0,0000] |
[0,1946] |
[0,3261] |
[0,0001] |
[0,0000] |
θ |
0,9118 |
1,0326 |
0,9472 |
0,6823 |
0,9616 |
1,0043 |
|
[0,0000] |
[0,0000] |
[0,0000] |
[0,0000] |
[0,0000] |
[0,0000] |
|
0,0161 |
-0,00142 |
0,0404 |
0,0673 |
-0,0971 |
-0,0349 |
Akaike |
-4,1684 |
-4,1300 |
-3,5924 |
-3,5443 |
-5,0996 |
-5,0012 |
Schwarz |
-4,0061 |
-3,9677 |
-3,4301 |
-3,3820 |
-4,9373 |
-4,8389 |
Hannan-Quinn |
-4,1028 |
-4,0644 |
-3,5368 |
-3,4788 |
-5,0340 |
-4,0367 |
Notas.
Esta tabla muestra los resultados de regresión que provienen de la estimaci=
ón
de las ecuaciones (9) y (15), siendo el p-value=
los
valores que están en corchetes. La interpretación del parámetro de asimetrí=
a en
los modelos EGARCH (1,1) indican que si se satisface que λ < 0 impl=
ica
que un shock negativo genera mayor volatilidad que un shock positivo. Mient=
ras
que la interpretación del parámetro de asimetría en los modelos TGARCH (1,1)
indican que si se satisface que λ > 0 implica que para ese activo h=
ay
asimetría en las noticias (Shock), es decir, que un shock negativo tiene
mayores efectos de volatilidad que un shock positivo. Los datos de las acci=
ones
provienen de la bolsa de valores de Colombia. Elaboración propia.=
Para el =
caso
de Colombia, las estimaciones del parámetro (λ) fueron no significativ=
as
en los siguientes modelos: i) EGAR=
CH y
TGACRH del Grupos Argos. Por lo ta=
nto, se
muestra que la pandemia afectó a la variabilidad de los precios de las acci=
ones
Bancolombia y Grupo Nutresa. La estimación de la varianza condicional frent=
e al
shock de la pandemia y en condiciones normales queda construida como:
=
=
=3D 0,0000 + 1,0326=
+ ( -0,2448 + 0,3966) =
(30)
=
Bancolombia =3D
0,000 + 1,0326=
+ ( -0,2448) =
(31)=
=
Grupo Argos =3D
0,0000 + 0,68231=
+ (0,2015) =
(32)
=
=
=3D
0,0000 + 1,0043=
+ ( -0,1538 + 0,2818) =
(33)
=
=
=3D
0,0000 + 1,0043=
+ ( -0,1538) =
(34)
Tabla 5
Estimaciones
de los parámetros y pruebas de diagnóstico para Argentina
|
Grupo Supervielle EGARCH (1,1) |
Grupo Supervielle TGARCH (1,1) |
Cablevisión EGARCH (1,1) |
Cablevisión TGARCH (1,1) |
Aluar Aluminio EGARCH (1,1) |
Aluar Aluminio TGARCH (1,1) |
c |
0,0002 |
0,0008 |
-0,0006 |
-0,0020 |
-0,0020 |
0,0003 |
|
[0,9695] |
[0,8834] |
[0,8776] |
[0,3081] |
[0,0621] |
[0,9443] |
Var (-1) |
0,0549 |
0,0940 |
0,0666 |
0,1088 |
0,0044 |
0,0429 |
|
[0,7597] |
[0,5712] |
[0,6061] |
[0,2572] |
[0,9605] |
[0,7228] |
φ |
-0,9550 |
0,0006 |
-0,5548 |
0,0000 |
-0,0585 |
0,0001 |
|
[0,2801] |
[0,1298] |
[0,0936] |
[0,0366] |
[0,0000] |
[0,1998] |
η |
0,2558 |
-0,0295 |
0,1723 |
-0,1434 |
-0,1120 |
0,0004 |
|
[0,1758] |
[0,6964] |
[0,1298] |
[0,0057] |
[0,0000] |
[0,9949] |
λ |
-0,1657 |
0,3242 |
-0,1950 |
0,3148 |
-0,1740 |
0,2849 |
|
[0,0433] |
[0,1042] |
[0,0356] |
[0,0024] |
[0,0000] |
[0,0903] |
θ |
0,8725 |
0,6518 |
0,9317 |
0,9988 |
0,9749 |
0,7506 |
|
[0,0000] |
[0,0029] |
[0,0000] |
[0,0000] |
[0,0000] |
[0,0000] |
|
-0,0091 |
-0,0194 |
0,0034 |
0,0018 |
-0,0024 |
-0,0002 |
Akaike |
-2,9807 |
-2,9870 |
-3,4842 |
-3,4980 |
-3,5587 |
-3,4843 |
Schwarz |
-2,8152 |
-2,8214 |
-3,3187 |
-3,3325 |
-3,3932 |
-3,3884 |
Hannan-Quinn |
-2,9139 |
-2,9201 |
-3,4174 |
-3,4312 |
-3,4919 |
-3,4176 |
Notas.
Esta tabla muestra los resultados de regresión que provienen de la estimaci=
ón
de las ecuaciones =
span>(9) y (15), siendo el p-va=
lue
los valores que están en corchetes. La interpretación del parámetro de
asimetría en los modelos EGARCH (1,1) indican que si se satisface que λ
< 0 implica que un shock negativo genera mayor volatilidad que un shock
positivo. Mientras que la interpretación del parámetro de asimetría en los
modelos TGARCH (1,1) indican que si se satisface que λ > 0 implica =
que
para ese activo hay asimetría en las noticias (Shock), es decir, que un sho=
ck
negativo tiene mayores efectos de volatilidad que un shock positivo. Los da=
tos
de las acciones provienen de la bolsa de valores Argentina. Elaboración pro=
pia.
Para el =
caso
de Argentina, las estimaciones del parámetro (λ) fueron no significati=
vas
en los siguientes modelos: i) TGAR=
CH del
Grupo Superville; ii)
TGARCH de Aluar Aluminio. Por lo t=
anto,
se muestra que la pandemia afectó a la variabilidad del precio de la acción=
de
Cablevisión. La estimación de la varianza condicional frente al shock de la
pandemia y en condiciones normales queda construida como:
=
Grupo Supervielle =3D 0,0006 + 0,6518=
+ ( -0,0295) =
(35)
=
=
=3D
0,0000 + 0,9988=
+ ( -0,1434 + 0,3148) =
(36)
=
Cablevisión =3D
0,0000 + 0,99881=
+ ( -0,1434) =
(37)
=
=
=3D
0,0001 + 0,7506=
+ ( 0,0004 =
span>) =
(38)
Tabla 6
Estimaciones
de los parámetros y pruebas de diagnóstico para Chile
|
Itau Corp Bank EGARCH (1,1) |
Itau Corp Bank TGARCH (1,1) |
Falabella EGARCH (1,1) |
Falabella TGARCH (1,1) |
Embotelladora Andina EGARCH (1,1) |
Embotelladora Andina TGARCH (1,1) |
c |
-0,0125 |
-0,0107 |
-0,0052 |
-0,0027 |
-0,0018 |
-0,0030 |
|
[0,0000] |
[0,0002] |
[0,2373] |
[0,1211] |
[0,6096] |
0,1502 |
Var (-1) |
-0,1370 |
-0,2509 |
0,0717 |
-0,1029 |
-0,1947 |
-0,2182 |
|
[0,2303] |
[0,0553] |
[0,1121] |
[0,4393] |
[0,1704] |
[0,0824] |
φ |
-0,3054 |
0,0000 |
-8,2012 |
0,0000 |
-8,0725 |
0,0000 |
|
[0,1051] |
[0,0474] |
[0,0000] |
[0,7212] |
[0,0011] |
[0,4123] |
η |
-0,0943 |
-0,1231 |
-0,5035 |
0,1761 |
0,5578 |
0,1365 |
|
[0,4619] |
[0,1933] |
[0,0584] |
[0,1555] |
[0,0326] |
[0,3198] |
λ |
-0,4336 |
0,5452 |
0,5327 |
0,6497 |
0,4242 |
0,4622 |
|
[0,0000] |
[0,0003] |
[0,0044] |
[0,0231] |
[0,0113] |
[0,0211] |
θ |
0,9394 |
0,83331 |
-0,2868 |
0,7151 |
-0,1110 |
0,7377 |
|
[0,0000] |
[0,0000] |
[0,0549] |
[0,0000] |
[0,7555] |
[0,0000] |
|
0,0716 |
0,1079 |
0,0001 |
-0,0220 |
0,1164 |
0,1235 |
Akaike |
-4,1417 |
-4,0447 |
-3,6334 |
-3,9527 |
-3,9471 |
-4,2944 |
Schwarz |
-3,9814 |
-3,8844 |
-3,4731 |
-3,7924 |
-3,7866 |
-4,1341 |
Hannan-Quinn |
-4,0769 |
-3,9799 |
-3,5686 |
-3,8879 |
-3,8823 |
-4,2296 |
Notas.
Esta tabla muestra los resultados de regresión que provienen de la estimaci=
ón
de las ecuaciones (9) y (15), siendo el p-value=
los
valores que están en corchetes. La interpretación del parámetro de asimetrí=
a en
los modelos EGARCH (1,1) indican que si se satisface que λ < 0 impl=
ica
que un shock negativo genera mayor volatilidad que un shock positivo. Mient=
ras
que la interpretación del parámetro de asimetría en los modelos TGARCH (1,1)
indican que si se satisface que λ > 0 implica que para ese activo h=
ay
asimetría en las noticias (Shock), es decir, que un shock negativo tiene
mayores efectos de volatilidad que un shock positivo. Los datos de las acci=
ones
provienen de la bolsa de valores de Chile. Elaboración propia.
Para el =
caso
de Chile, las estimaciones del parámetro (λ) fueron no significativas =
en
los siguientes modelos: i) EGARCH =
de
Falabella debido a que no se satisface la condición de λ < 0; ii) EGARCH de Embotelladora Andina debido a que tampo=
co
satisface la condición de λ < 0.
Por lo tanto, se muestra que la pandemia afectó solo a la variabilid=
ad
del precio de la acción de Itaú Corp Bank. La
estimación de la varianza condicional frente al shock de la pandemia y en
condiciones normales queda construida como:
=
=
=3D
0,0000 + 0,8331=
+ ( -0,1231 + 0,5452) =
(39)
=
=
=3D
0,0000 + 0,8331=
+ ( -0,1231) =
(40)
=
Falabella =3D
0,0000 + 0,7151=
+ (0,1761) =
(41)
=
=
=3D
0,0000 + 0,7377=
+ (0,1365) =
(42)
Tabla =
7
Estimaciones
de los parámetros y pruebas de diagnóstico para México
|
G. F. Inbursa EGARCH (1,1) |
G. F. Inbursa TGARCH (1,1) |
Grupo Bimbo EGARCH (1,1) |
Grupo Bimbo TGARCH (1,1) |
América Móvil EGARCH (1,1) |
América Móvil TGARCH (1,1) |
c |
-0,0079 |
-0,0072 |
-0,0021 |
-0,0023 |
-0,0020 |
-0,0030 |
|
[0,0022] |
[0,0146] |
[0,4287] |
[0,4024] |
[0,4983] |
[0,0000] |
Var (-1) |
-0,0911 |
-0,0964 |
-0,1190 |
-0,1298 |
-0,0691 |
-0,0574 |
|
[0,4348] |
[0,4515] |
[0,3294] |
[0,2929] |
[0,5426] |
[0,6248] |
φ |
-1,5282 |
0,0001 |
-0,3843 |
0,0000 |
-0,6054 |
0,0000 |
|
[0,1715] |
[0,2618] |
[0,0688] |
[0,3197] |
[0,0654] |
[0,0000] |
η |
0,6127 |
0,2489 |
0,2432 |
0,0318 |
0,0760 |
-0,1127 |
|
[0,0593] |
[0,3641] |
[0,0271] |
[0,5636] |
[0,6088] |
[0,0000] |
λ |
-0,2450 |
0,4624 |
-0,0955 |
0,2113 |
-0,1202 |
0,0690 |
|
[0,1544] |
[0,3255] |
[0,2511] |
[0,0746] |
[0,3296] |
[0,0723] |
θ |
0,8518 |
0,4213 |
0,9696 |
0,8814 |
0,9227 |
1,0600 |
|
[0,0000] |
[0,1449] |
[0,0000] |
[0,0000] |
[0,0000] |
[0,0000] |
|
0,0053 |
0,0061 |
0,0178 |
0,0179 |
0,0079 |
0,0013 |
Akaike |
-4,0738 |
-4,0646 |
-4,0682 |
-4,0484 |
-4,5065 |
-4,5646 |
Schwarz |
-3,9114 |
-3,9022 |
-3,9059 |
-3,8860 |
-4,3442 |
-4,4022 |
Hannan-Quinn |
-4,0824 |
-3,9990 |
-4,0026 |
-3,9828 |
-4,4408 |
-4,4990 |
Notas.
Esta tabla muestra los resultados de regresión que provienen de la estimaci=
ón
de las ecuaciones (9) y (15), siendo el p-value=
los
valores que están en corchetes. La interpretación del parámetro de asimetrí=
a en
los modelos EGARCH (1,1) indican que si se satisface que λ < 0 impl=
ica
que un shock negativo genera mayor volatilidad que un shock positivo. Mient=
ras
que la interpretación del parámetro de asimetría en los modelos TGARCH (1,1)
indican que si se satisface que λ > 0 implica que para ese activo h=
ay
asimetría en las noticias (Shock), es decir, que un shock negativo tiene
mayores efectos de volatilidad que un shock positivo. Los datos de las acci=
ones
provienen de la bolsa de valores de México. Elaboración propia.
Para el =
caso
de México, las estimaciones del parámetro (λ) fueron no significativas=
en
todos los modelos. Por lo tanto, se
muestra que la pandemia no afectó a la variabilidad de los precios de las
acciones de: Grupo Financiero Inbursa, Grupo Bimbo y América móvil. La
estimación de la varianza condicional en condiciones normales queda constru=
ida
como:
=
=
=3D
0,0001 + 0,4213=
+ (0,2489) =
=
Grupo Bimbo =3D
0,0000 + 0,8814=
+ (0,0318) =
(44)
=
=
=3D
0,0000 + 1,0600=
+ (-0,1127) =
Tabla =
8
Estimaciones
de los parámetros y pruebas de diagnóstico para Brasil
|
Banco Bradesco EGARCH (1,1) |
Banco Bradesco TGARCH (1,1) |
Metalúrgica Gerdau EGARCH (1,1) |
Metalúrgica Gerdau TGARCH (1,1) |
Atacadao EGARCH (1,1) |
Atacadao TGARCH (1,1) |
c |
-0,0099 |
-0,0080 |
-0,0016 |
-0,0020 |
-0,0084 |
-0,0091 |
|
[0,0001] |
[0,0019] |
[0,7083] |
[0,6887] |
[0,0042] |
[0,0000] |
Var (-1) |
-0,0101 |
0,0047 |
-0,1534 |
-0,0079 |
-0,0601 |
-0,0616 |
|
[0,9269] |
[0,9646] |
[0,1571] |
[0,9267] |
[0,5624] |
[0,4259] |
φ |
-0,6369 |
0,0000 |
-0,3701 |
0,0002 |
-1,2289 |
0,0001 |
|
[0,0429] |
[0,0513] |
[0,0000] |
[0,0008] |
[0,1379] |
[0,016] |
η |
0,1737 |
-0,0789 |
-0,2211 |
-0,2946 |
0,3685 |
-0,1443 |
|
[0,2383] |
[0,4709] |
[-0,0006] |
0,0003 |
[0,1876] |
[0,038] |
λ |
-0,3936 |
0,6422 |
-0,3152 |
0,4302 |
-0,4391 |
1,1299 |
|
[0,0025] |
[0,0483] |
[0,0000] |
[0,0001] |
[0,0046] |
[0,0166] |
θ |
0,9202 |
0,7856 |
0,9101 |
0,9587 |
0,8662 |
0,6570 |
|
[0,0000] |
[0,0000] |
[0,0000] |
[0,0000] |
[0,0000] |
[0,0000] |
|
0,0001 |
-0,0038 |
0,0163 |
-0,0020 |
0,0063 |
0,0009 |
Akaike |
-3,8646 |
-3,8333 |
-3,0912 |
-3,1226 |
-4,2569 |
-4,2873 |
Schwarz |
-3,7023 |
-3,6710 |
-2,9289 |
-2,9602 |
-4,0946 |
-4,1250 |
Hannan-Quinn |
-3,7991 |
-3,7678 |
-3,0257 |
-3,0570 |
-4,1913 |
-4,2217 |
Notas.
Esta tabla muestra los resultados de regresión que provienen de la estimaci=
ón
de las ecuaciones (9) y (15), siendo el p-value=
los
valores que están en corchetes. La interpretación del parámetro de asimetrí=
a en
los modelos EGARCH (1,1) indican que si se satisface que λ < 0 impl=
ica
que un shock negativo genera mayor volatilidad que un shock positivo. Mient=
ras
que la interpretación del parámetro de asimetría en los modelos TGARCH (1,1)
indican que si se satisface que λ > 0 implica que para ese activo h=
ay
asimetría en las noticias (Shock), es decir, que un shock negativo tiene
mayores efectos de volatilidad que un shock positivo. Los datos de las acci=
ones
provienen de la bolsa de valores de Brasil. Elaboración propia.
Para el =
caso
de Brasil, las estimaciones del parámetro (λ) fueron significativas e
indican que la pandemia afectó a la variabilidad de los precios de las acci=
ones
Banco Bradesco, Metalúrgica Gerdau y Atacadao. =
La
estimación de la varianza condicional frente al shock de la pandemia y en
condiciones normales queda construida como:
=
=
=3D 0,0000 + 0,7856=
+ ( -0,0789 + 0,6422) =
(46)
=
Banco Bradesco =3D 0,0000 + 0,7856=
+ ( -0,0789) =
(47)=
=
=
=3D
0,0002 + 0,9587=
+ (-0,2946 + 0,4302) =
(48)
=
Metalúrgica Gerdau =3D 0,0001 + 0,9587=
+ (-0,2946) =
(49)
=
=
=3D
0,0001 + 0,6570=
+ ( -0,1443 + 1,1299) =
=
(50)
=
Atacadao =3D
0,0000 + 0,6570=
+ ( -0,1443) =
<=
span
class=3DGramE> (51)=
Los resultados presentados cuantifican la transmisión de volatilidad=
de
la pandemia COVID-19 a las acciones de empresas de Sudamérica, México y Est=
ados
Unidos.
Figura 2
Evolución
de precios de las acciones de Sudamérica, México y Estados Unidos
Notas. La figura muestra la evolución de
precios entre el 5 de enero hasta el 20 de mayo=
de
2020. El estudio considera el análisis=
de
las acciones con mayor presencia bursátil de cada sector de los países que =
se
mencionan a continuación. Estados Unidos: JPMorgan Chase, Walmart, General
Motors; Ecuador: Banco de Guayaquil, Corporación la Favorita, Natluk; Perú: Banco
BBVA, Empresa Siderúrgica del Perú, Unión Andina de Cementos; Colombia: Bancolombia, Grupo Argos, Grupo Nutresa;
Argentina: Grupo Supervielle,
Cablevisión, Aluar Aluminio; Chile: Banco Itaú, Falabella, Embotelladora
Andina; México: Grupo Financiero Inbursa, Grupo Bimbo, América móvil;
Brasil: Banco Bradesco, Metalúrgica
Gerdau, Atacadao. Fuente: obtenidas de las bols=
as de
valores de cada país. Elaboración propia.
Figura 3
Rendimiento diario de las acciones de
Sudamérica, México y Estados Unidos
Notas. La figura muestra el rendimiento
diario de las acciones entre el 5 de e=
nero
hasta el 20 de mayo de 2020. El estudio considera el análisis de las accion=
es
con mayor presencia bursátil de cada sector de los países que se mencionan a
continuación. Estados Unidos: JPMorgan Chase, Walmart, General Motors; Ecua=
dor:
Banco de Guayaquil, Corporación la Favorita, Natluk;
Perú: Banco BBVA, Empresa Siderúrg=
ica
del Perú, Unión Andina de Cementos; Colombia:
Bancolombia, Grupo Argos, Grupo Nutresa; Argentina: Grupo Supervielle, Cablevisión, Aluar
Aluminio; Chile: Banco Itaú, Falabella, Embotelladora Andina; México: Grupo
Financiero Inbursa, Grupo Bimbo, América móvil; Brasil: Banco Bradesco, Metalúrgica Gerdau,
Figura 4
Distribución de frecuencia de las accion=
es de
Sudamérica, México y Estados Unidos
Notas.
Representación gráfica de los intervalos en el eje X y las frecuencias
relativas en el eje Y. La figura muestra la distribución de frecuencia de l=
as
acciones en el periodo comprendido entre el 5 de enero hasta el 20 de mayo =
de
2020. El estudio considera el análisis de n
acciones con mayor presencia bursátil de cada sector de los países q=
ue
se mencionan a continuación. Estados Unidos: JPMorgan Chase, Walmart, Gener=
al
Motors; Ecuador: Banco de Guayaquil, Corporación la Favorita, Natluk; Perú: Banco
BBVA, Empresa Siderúrgica del Perú, Unión Andina de Cementos; Colombia: Bancolombia, Grupo Argos, Grupo Nutresa;
Argentina: Grupo Supervielle,
Cablevisión, Aluar Aluminio; Chile: Banco Itaú, Falabella, Embotelladora
Andina; México: Grupo Financiero Inbursa, Grupo Bimbo, América móvil;
Brasil: Banco Bradesco, Metalúrgica
Gerdau, Atacadao. Fuente: obtenidas de las bols=
as de
valores de cada país. Elaboración propia.
Tabla 9
Pruebas
de raíz unitaria
Método |
Estadístico |
Prob** |
Secciones cruzadas |
Obs |
Ho: proceso raíz unitario conjunto. |
|
|
|
|
Levin, Lin & Chu t* |
-52.4277 |
0,0000 |
24 |
2149 |
Ho: proceso raíz unitario individual |
|
|
|
|
Im, Pesaran
y Shin W-stat |
-48.3182 |
0,0000 |
24 |
2149 |
ADF – Fisher Chi cuadrado |
677.184 |
0,0000 |
24 |
2149 |
PP – Fisher Chi cuadrado |
671.660 |
0,0000 |
24 |
2154 |
Notas. **Las probabilidades para las pruebas de Fisher se calculan utilizando=
una
distribución asintótica de chi cuadrado. Todas las demás pruebas asumen
normalidad asintótica. Se observa que el estadístico de prueba de Dickey–Fuller Aumentado en valor absoluto es 677.184,=
el
estadístico PP con valor absoluto es 671.660 y el estadístico Pesaran y