Artículo
de investigación
La complejidad del mercado bursátil latinoamericano a partir
de un modelo autómata celular conductual
The Complexity of Latin-American
Stock Market using a Behavioral Cellular Automaton Model
Complexidade do mercado de ações da
America Latina através de um modelo autômato celular comportamental
Leonardo Hernán Talero-Sarmiento[1]*
Juan Benjamín Duarte-Duarte**
Laura Daniela Garcés-Carreño***
Fecha de recepción: 18 de septiembre de 2016
Fecha de aceptación:
25 de mayo de 2017
Resumen
La presente investigación busca
evaluar el nivel de complejidad del mercado latinoamericano, mediante la
construcción de un modelo autómata celular. Para ello se estudian seis índices bursátiles:
COLCAP,
IPSA, MERVAL, MEXBOL, SPBLPGPT e IBOV, en el periodo 2004-2016.
Estas series son analizadas a partir de su comportamiento estadístico, el ajuste
de retornos y la estimación de su grado de complejidad. Este último es
contrastado posteriormente con el nivel de complejidad obtenido mediante la
simulación de un mercado bursátil artificial, y se concluye que los mercados
latinoamericanos, a pesar de presentar diferencias, suelen tener tendencias
similares, ya que su grado de complejidad no puede ser pronosticado por un
modelo autómata celular conductual basado netamente en la imitación.
Palabras clave: finanzas conductuales, principios subyacentes, técnicas
computacionales, modelado y simulación.
JEL: C63, E60, G2
Abstract
The aim of this
research is to evaluate the complexity level of Latin-American stock
market using a cellular automaton model. For this purpose six indexes are
studied: COLCAP, IPSA, MERVAL, MEXBOL, SPBLPGPT and IBOV respectively, during the
period
2004 and 2016. The series are analyzed from their statistical behavior, adjustment of
returns and estimation of its complexity. The last one is contrasted with the
complexity level obtained simulating an artificial stock market model. Concluding
that although Latin-American stock markets present differences they have
similar tendencies and their complexity level cannot be predicted by a purely
behavioral cellular automaton model.
Keywords: behavioral finance, underlying principles,
computational techniques,
simulation modeling.
Resumo
Esta pesquisa visa avaliar o nível de
complexidade do mercado da América Latina através da construção de um modelo de
autômato celular; para isto e feito o estúdio de seis series de ações; COLCAP, IPSA , MERVAL , MEXBOL , SPBLPGPT e IBOV entre 2004-2016: Estas
séries são analisados a partir do seu comportamento estatístico, o ajuste de
retornos e estimativa da sua complexidade. Este último é então contrastado com
o nível de complexidade obtida através da simulação de um mercado de ações
artificial, concluindo que os mercados da América Latina, apesar de ter
diferenças, muitas vezes têm tendências semelhantes e que a sua complexidade
não pode ser prevista por um modelo de autômato celular puramente
comportamental.
Palavras-chave:
finanças
comportamentais; princípios fundamentais; técnicas
computacionais; modelagem e
simulação.
La creciente importancia
económica de los mercados financieros en el mundo se evidencia en el
significativo número de estudios que pretenden conocer, describir y, de ser
posible, predecir su comportamiento desde diferentes perspectivas, que incluyen
la teoría de mercados eficientes enunciada por Fama (1970), según la cual los inversores se comportan racionalmente y los precios
de mercado de un activo reflejan toda la información disponible. También está la
hipótesis de mercados adaptativos propuesta por Andrew Lo (2005), que concilia la eficiencia del mercado con la teoría conductista,
aplicando los principios de la evolución (competencia, adaptación y selección
natural). Y está el enfoque conductual defendido por Robert Shiller (2003), quien manifiesta que los inversores no siempre son racionales y toman
sus decisiones impulsados por aspectos inherentes a su naturaleza humana, que
incluyen la psicología y la sociología. A partir de dichos estudios se han
encontrado diversos comportamientos en los retornos de los activos que no
logran ser explicados por modelos lineales, lo cual ha dado fuerza a otra
visión del mercado bursátil, que afirma que el caos puede ser derivado de la
compleja estructura que conforma un mercado, a raíz de eso, múltiples
disciplinas han retomado la hipótesis de mercado fractal descrita por Benoit Mandelbrot (1972).
Teniendo en cuenta las
anteriores hipótesis y la facilidad que tiene el coeficiente de Hurst para estimar el comportamiento caótico de las series
financieras (Sierra, 2007), diversos autores han investigado el grado de complejidad y, de paso,
evaluado el nivel de eficiencia de mercados reales y simulados, para así
determinar los factores que influyen en la estabilidad o volatilidad bursátil.
Algunos de los primeros autores en tratar el tema fueron Wei
Ying, Fan y Wang (2003), al construir un mercado virtual en el que se analizó el consenso de
sus agentes entre comprar, retener y
vender, modelo que evolucionaría mediante la estimación de la eficiencia (Fan, Ying, Wang & Wei, 2009) y el análisis de la misma, cuando existen políticas económicas nacionales
(Ying & Fan, 2014).
Otros autores, como Bartolozzi y Thomas (2005), Bakker, Hare, Khosravi y Ramadanovic (2010), y Stefan y Atman (2015), evaluaron la complejidad de los mercados a partir de redes de
confianza entre los agentes modelados y la información que estos adquirían y
generaban. De manera similar, algunos investigadores -como Zhou,
Zhou, Wang, Tang y
Liu (2004) y Mozafari y Alizadeh (2013)- han propuesto modelos autómatas celulares de aprendizaje, que buscaban
establecer reglas de decisión que hagan más dinámico el mercado. De manera
paralela, Qiu, Kandhai y Sloot (2007) y Atman y Gonçalves (2012) formularon perfiles de inversores virtuales, con el fin de determinar
la complejidad que cada tipo de agente puede producir a un mercado.
La estructura
del presente artículo tiene como fin analizar las semejanzas entre las
principales series bursátiles latinoamericanas y evaluar si un modelo autómata
celular de tipo conductual, como el formulado por Fan (2009), puede simular el grado de complejidad de
Latinoamérica; para ello, en el primer capítulo se expone la metodología desde
dos perspectivas: una descriptiva, asociada a los datos históricos reales y
otra enfocada en la construcción de un mercado simulado. En el segundo capítulo
se lleva a cabo un análisis de los principales resultados estadísticos y del
comportamiento de las series a lo largo del tiempo. En el tercer capítulo se
discuten las teorías y dificultades que se evidenciaron durante la investigación,
y en el cuarto se presentan las conclusiones.
El comportamiento económico latinoamericano puede ser representado por la
dinámica de sus indicadores bursátiles, puesto que dichos índices reflejan el
cambio en la economía de cada país al recopilar los precios de cierre de las
principales acciones comercializadas en la región. Para esta investigación se
analizaron las series COLCAP (Colombia), IPSA (Chile), MERVAL (Argentina),
MEXBOL (México), SPBLPGPT (Perú) e IBOV (Brasil) para el periodo 2004-2016,
desde dos perspectivas: una real y otra simulada.
En la primera perspectiva se evalúan semejanzas entre las series históricas
bursátiles mediante un estudio empírico, el cual incluye el análisis
descriptivo de los índices durante el periodo de estudio. Para ello, se comparan
de manera estadística las series financieras a partir de la similitud de sus
datos, utilizando estadísticos descriptivos por serie, junto con la correlación
(ecuación 1) entre estas.
|
[1] |
Donde
Una vez ajustado el comportamiento probabilístico de cada índice, se realiza
el estudio de rentabilidades desde dos visiones: el periodo total de la serie
comprendido entre 2004-2016 y el análisis de la serie a partir de subperiodos anuales. Finalmente y con el objetivo de inferir el
nivel de eficiencia de los mercados bursátiles latinoamericanos, se calcula el
nivel de memoria en estos a partir del reescalamiento
estadístico de sus datos año a año, mediante el coeficiente de Hurst. Para la estimación del mismo se construye una
función
|
[2] |
|
[3] |
Donde
|
[4] |
En múltiples sistemas se determina que la función es proporcional a la raíz Hurstiana
de T (Fan et al.,
2009) (ver ecuación 5).
|
[5] |
El valor del coeficiente representa el grado de complejidad de una
serie; cuando
En la segunda perspectiva (simulación) se construye un mercado bursátil artificial
basado en los trabajos de Fan (2009; 2003; 2014), con el cual se busca estimar la complejidad
de una bolsa compuesta por agentes conductuales, quienes determinan su posición
(comprar, retener o vender) a partir de
la tendencia del mercado y la capacidad de imitar a su vecindad.
El mercado bursátil artificial es diseñado mediante un modelo autómata
celular (MAC), en el que interactúan agentes que se encuentran ubicados en un
eje de coordenadas
Para que cada
Además de la disposición de la vecindad y la capacidad de imitación,
cada agente
La dinámica del cambio de posición y su consenso (cantidad total de
agentes comprando, reteniendo y vendiendo al final del día o iteración)
influyen
en la complejidad del mercado simulado. Lo anterior se mide a partir de la fractalidad de dicho consenso. En la Tabla 1 se evidencia el modelo de transferencia e
imitación propuesto por Fan (Fan et al., 2009) y utilizado en esta investigación, con el
cual se puede determinar un nivel de complejidad de un mercado bursátil
artificial mediante la estimación del coeficiente de Hurst.
Tabla 1. Matriz de transferencia de
posiciones
Macrofactores |
Posición
vecindad |
Transferencia de probabilidades |
||
Comprar |
Retener |
Vender |
||
Información positiva |
Comprar |
(P+Mf) |
(1-P-Mf)*0,5 |
(1-P-Mf)*0,5 |
Retener |
(1-P)*(0,5+0,5*Mf) |
P |
(1-P)*(0,5-0,5*Mf) |
|
Vender |
(1-P)*(0,5+0,5*Mf) |
(1-P)*(0,5-0,5*Mf) |
P |
|
Información negativa |
Comprar |
P |
(1-P)*(0,5-0,5*Mf) |
(1-P)*(0,5+0,5*Mf) |
Retener |
(1-P)*(0,5-0,5*Mf) |
P |
(1-P)*(0,5+0,5*Mf) |
|
Vender |
(1-P-Mf)*0,5 |
(1-P-Mf)*0,5 |
(P+Mf) |
Fuente: adaptado por los autores de la tabla propuesta
por Fan (Fan et al.,
2009)
Para esta investigación se asume que el macrofactor
se comporta según la distribución de rentabilidades de cada serie bursátil para
cada periodo de estudio; además, a diferencia del modelo propuesto por Fan, en
vez de definir una probabilidad de imitación igual para el mercado se modela
una probabilidad aleatoria
En la Figura 2 se evidencia la interfaz gráfica utilizada
durante esta investigación; cada pixel representa a un agente
Una vez estimado el grado de complejidad de cada serie simulada (a
partir de la dinámica de las posiciones finales del mercado), este es
contrastado con el grado de complejidad de las series reales (estimado
previamente con base en las rentabilidades históricas) con el propósito de
determinar si la complejidad de un modelo autómata celular conductual puede
representar la complejidad o nivel de memoria del mercado bursátil latinoamericano
durante el periodo comprendido entre 2004 y 2016.
Figura 1. Interfaz gráfica
del modelo autómata celular generado en MATLAB
RESULTADOS
Durante el periodo de estudio, algunos mercados presentaron un aparente
patrón de similitud, con cambios marcados en el año 2008 (Figura 2), lo cual puede indicar cierto nivel de correlación;
sin embargo, la dinámica económica de ciertos países durante el periodo de
análisis presenta una disposición final dispar. Lo anterior no brinda claridad
sobre la similitud entre dichas series, sobre todo al tener en cuenta que si
bien los indicadores carecen de unidades, se encuentran en magnitudes
diferentes.
Figura 2. Comportamiento histórico de los principales mercados bursátiles
latinoamericanos para el periodo total.
Fuente: los autores, a partir de datos de Bloomberg
Como técnica de
análisis de semejanzas, las series financieras son transformadas a una escala
común, para ello se evalúa el incremento o decremento porcentual de cada índice
respecto al primer dato (correspondiente al 2 de enero de 2004). Una vez
transformadas las series, se aprecian con menor “ruido” las similitudes históricas
entre los indicadores de cada país (ver Figura 3), y se resalta una tendencia al alza general con una drástica caída
entre 2008 y 2009. Entre las características y tendencias de dichas series es
de anotar que, una vez superada la crisis de 2008, la economía argentina
presentó una veloz recuperación derivada posiblemente del incremento de sus
exportaciones a China y Latinoamérica (Miranda, 2014), con una tendencia al alza por encima de los
mercados de Colombia y Perú en el periodo poscrisis.
De manera general, se puede inferir que los mercados de Colombia y Chile presentan la mayor estabilidad bursátil, al mostrar un crecimiento medio-alto acompañado de poca variabilidad (coeficientes de variaciones inferiores al 15 %); seguidos por Brasil, México, Perú y Argentina. No obstante, cabe destacar que Argentina ha mostrado un crecimiento medio similar al de Colombia o Perú, logrando una alta recuperación financiera que se debe, en gran parte, a su “recuperación popular” con la cual logró sobrellevar las crisis de 1999-2001 y 2008-2009 (Aysen, 2015). Debido a dichas características de crecimiento (ver Tabla 2) se evidencia una fuerte similitud entre el mercado colombiano, chileno y brasileño.
Por otra parte, para
definir el grado de relación lineal histórica entre las series bursátiles, los
valores históricos sin transformar de cada índice son contrastados mediante la
matriz de correlación registrada en la Tabla 3 y comparados a partir de un ajuste al histograma de frecuencias de sus
rentabilidades (ver Figura 4).
Tabla
2. Resumen
de estadísticas descriptivas para los principales mercados bursátiles
latinoamericanos para el periodo total
Figura 3. Cambio porcentual en el comportamiento histórico de los principales
mercados bursátiles latinoamericanos para el periodo total.
Fuente: los autores a partir de datos de Bloomberg
Tabla 3. Correlación entre las series
financieras sin transformar para el periodo total
COLCAP |
IPSA |
MERVAL |
MEXBOL |
SPBLPGPT |
IBOV |
|
COLCAP |
1 |
|||||
IPSA |
0,937938749 |
1 |
||||
MERVAL |
0,35225621 |
0,437291908 |
1 |
|||
MEXBOL |
0,863474223 |
0,893437293 |
0,700212099 |
1 |
||
SPBLPGPT |
0,810440206 |
0,849108092 |
0,127040376 |
0,735245618 |
1 |
|
IBOV |
0,797413707 |
0,842250837 |
0,185483321 |
0,721355905 |
0,875214808 |
1 |
Figura 4. Distribución de rentabilidades de los principales mercados bursátiles latinoamericanos
para el periodo total.
Fuente: Los autores a partir de datos de Bloomberg
El mercado bursátil colombiano
resalta en Latinoamérica al presentar un incremento medio-alto de sus retornos,
acompañado de baja variabilidad; lo cual indica una economía estable en
comparación con los otros países bajo estudio; seguido de Brasil, que
tradicionalmente se ha considerado como una fuerte economía debido a una sólida
estructura productiva, en su mercado se aprecia mayor volatilidad en sus
rentabilidades, lo cual podría relacionarse con diversas inestabilidades, entre
las que se resaltan las bajas exportaciones, la alta devaluación, la inestabilidad
sociopolítica y los escándalos de corrupción (Villegas, 2016).
Al analizar el
comportamiento histórico de las rentabilidades latinoamericanas (ver Figura 5), se observa que
dependiendo del periodo, Colombia, Chile, Argentina, México, Perú y Brasil han
presentado comportamientos similares; un claro ejemplo fue antes y durante la
crisis de 2008, cuando sus indicadores se mantuvieron al alza y con poca
variabilidad; sin embargo, al año siguiente, economías como la peruana fueron
fuertemente afectadas con tendencias prolongadas a la baja, mientras que Colombia,
Chile y Argentina presentaban un comportamiento volátil.
Cabe resaltar que
Brasil, luego del rápido crecimiento en 2005, logró mantener un crecimiento
estable aun durante la crisis de 2008, consolidándose a través de su economía
productiva; no obstante, a partir de 2011 su economía comenzó a presentar mayor
volatilidad, lo cual podría estar relacionado con un estancamiento productivo (Villegas, 2016).
Argentina, en los últimos diez años, ha mostrado una tendencia
creciente, acompañada de alta volatilidad, como se observa en los años 2005,
2009 (posterior a la crisis) y 2012 (con problemas en crecimiento, actividad industrial,
construcción, inflación y empleo, durante el mandato de Cristina Kirchner)
principalmente; lo cual puede exponer una economía creciente pero con alto
riesgo. De manera similar, Perú ha evidenciado periodos con tendencia
decreciente y gran inestabilidad (como la poscrisis de 2008), que indican una
economía con alta volatilidad.
En la Figura 6 se registran los
parámetros representativos de las rentabilidades de las principales economías latinoamericanas
entre 2004-2016; la conjunción de dichos comportamientos corrobora la tendencia
general plasmada en la Figura 4, entendiendo que si
bien existen economías con tendencias al alza como es el caso de Argentina,
Brasil y México, estas han sido afectadas por diversas crisis sociales,
económicas y políticas, aumentando la variabilidad (riesgo) de sus retornos. Así
mismo, las economías de Perú y Chile presentan cierta semejanza (alto grado de
correlación), empero, han tenido periodos
disímiles como en 2009 y 2016, lo cual indica cierta heterogeneidad entre sus comportamientos.
Figura 5. Ajuste de distribución anual de rentabilidades
de los principales mercados latinoamericanos
entre 2004-2016.
Fuente: los autores, utilizando Minitab
17
Figura 6. Parámetros descriptivos para los ajuste de distribución anual de
rentabilidades de los principales mercados latinoamericanos entre 2004-2016.
Fuente: los autores, utilizando @Risk
7.5
Otra manera de
contrastar el comportamiento económico latinoamericano es a partir de su complejidad,
estimada en este estudio mediante el coeficiente de Hurst.
Al evaluar bajo esa metodología la economía latinoamérica
año a año, se encuentra que los países que han presentado una mayor volatilidad
y dispersión con funciones de comportamiento normal, poseen un nivel de memoria
menos persistente (más cercano a 0.5) y por tanto más eficiente, lo cual
coincide en algunos periodos con lo expuesto por Duarte y Mascareñas
(2014b), quienes aplican el test Jarque-Bera,
la prueba de bondad de ajuste de la chi-cuadrado y
tres versiones de la caminata aleatoria
(RW) a diversas series latinoamericanas.
Si bien existen
ligeras diferencias en la memoria de los índices bajo estudio (series complejas
con tendencia persistente), como se aprecia en la Figura 7, los mercados latinoamericanos son muy
similares en su comportamiento, tendencias y memorias. De hecho, posiblemente, estos
disten aún de presentar un comportamiento completamente eficiente, lo que puede
implicar menor variabilidad y, por ende, evidenciar tendencias en sus retornos
menos normales y más leptocurticos como el caso de
las funciones Lognormal, Logistic
y Laplace.
Las estimaciones del
coeficiente de Hurst para las series reales (Tabla 4) difieren sustancialmente de las estimaciones
obtenidas mediante la simulación del mercado bursátil artificial con agentes
conductuales (Tabla 5), puesto que estas últimas muestran un
comportamiento antipersistente, que indica una
aparente relación entre los tipos de distribución y el intervalo de confianza,
siendo ligeramente más pequeños aquellos derivados de funciones más leptocúrticas.
Figura 7. Intervalos de confianza con 95 % de confianza del coeficiente de Hurst estimado anualmente entre 2004-2016 para los
principales mercados bursátiles latinoamericanos.
Fuente: los autores, utilizando Minitab
17
Tabla 4. Estimación del coeficiente de Hurst entre 2004-2016 para los principales mercados
bursátiles de Latinoamérica
COLCAP |
IPSA |
MERVAL |
MEXBOL |
SPBLPFPT |
IBOV |
|
2004 |
0,6736 |
0,6519 |
0,638 |
0,6644 |
0,6242 |
0,6427 |
2005 |
0,646 |
0,6826 |
0,6619 |
0,6758 |
0,6731 |
0,6735 |
2006 |
0,6158 |
0,6537 |
0,6597 |
0,6116 |
0,6686 |
0,635 |
2007 |
0,6164 |
0,6496 |
0,6134 |
0,6568 |
0,6757 |
0,6513 |
2008 |
0,6366 |
0,6392 |
0,6476 |
0,6457 |
0,667 |
0,6436 |
2009 |
0,6391 |
0,6496 |
0,6451 |
0,6535 |
0,6537 |
0,6406 |
2010 |
0,8203 |
0,5673 |
0,6273 |
0,6719 |
0,6681 |
0,6567 |
2011 |
0,6338 |
0,6708 |
0,6552 |
0,6358 |
0,645 |
0,6485 |
2012 |
0,6678 |
0,6748 |
0,6485 |
0,6466 |
0,6712 |
6707 |
2013 |
0,6718 |
0,6603 |
0,6338 |
0,6599 |
0,6565 |
0,659 |
2014 |
0,6682 |
0,6552 |
0,6303 |
0,6599 |
0,663 |
0,6692 |
2015 |
0,6415 |
0,6559 |
0,6559 |
0,6723 |
0,6483 |
0,638 |
2016 |
0,6017 |
0,5946 |
0,5962 |
0,5962 |
0,6021 |
0,585 |
Tabla
5. Estimación
del coeficiente de Hurst entre 2004-2016 mediante la
simulación de un modelo autómata celular con macrofactor
probabilístico latinoamericano y capacidad de imitación individual
COLCAP |
IPSA |
MERVAL |
MEXBOL |
SPBLPFPT |
IBOV |
|
2004 |
0,4204 |
0,4121 |
0,5079 |
0,5249 |
0,4788 |
0,4892 |
2005 |
0,5139 |
0,4242 |
0,557 |
0,5395 |
0,5058 |
0,4759 |
2006 |
0,4677 |
0,4496 |
0,4368 |
0,5053 |
0,3964 |
0,4621 |
2007 |
0,5192 |
0,4912 |
0,5282 |
0,4573 |
0,4823 |
0,4814 |
2008 |
0,5395 |
0,4625 |
0,4556 |
0,4712 |
0,4537 |
0,4462 |
2009 |
0,4327 |
0,5249 |
0,4636 |
0,5361 |
0,407 |
0,5272 |
2010 |
0,4781 |
0,4916 |
0,5027 |
0,4777 |
0,4628 |
0,4862 |
2011 |
0,4538 |
0,5343 |
0,4543 |
0,4189 |
0,5354 |
0,4264 |
2012 |
0,4586 |
0,4481 |
0,4405 |
0,4163 |
0,4872 |
0,4684 |
2013 |
0,5334 |
0,4842 |
0,492 |
0,4939 |
0,4675 |
0,4123 |
2014 |
0,5163 |
0,4864 |
0,4843 |
0,4155 |
0,526 |
0,4377 |
2015 |
0,5055 |
0,4623 |
0,5232 |
0,4367 |
0,4559 |
0,5615 |
2016 |
0,3869 |
0,4906 |
0,4459 |
0,3476 |
0,3603 |
0,3938 |
Figura
8. Intervalos de confianza con 95 % de confianza
del coeficiente de Hurst simulado anualmente entre
2004-2016 para los principales mercados bursátiles latinoamericanos.
Fuente: Los autores utilizando Minitab
17
Una vez contrastados
los niveles de memoria/complejidad de las series reales y simuladas, se
determina que, en general, no existe diferencia entre el comportamiento medio
de los índices bursátiles; ahora bien, dicha similitud puede presentar
variaciones dependiendo del periodo de estudio (año) y evidentemente del origen
de la serie por estudiar (real, simulada). El comportamiento de los residuales
se evidencia en la Figura 9.
Fuente |
GL |
SC Ajust. |
MC Ajust. |
Valor F |
Valor P |
Índice |
5 |
0,00048 |
0,0001 |
0,06 |
0,997 |
Origen de datos |
1 |
1,17671 |
1,17671 |
743,84 |
0 |
Año |
12 |
0,06274 |
0,00523 |
3,31 |
0 |
Error |
137 |
0,21673 |
0,00158 |
||
Falta de ajustes |
136 |
0,18467 |
0,00136 |
0,04 |
1 |
Error Puro |
1 |
0,03206 |
0,03206 |
||
Total |
155 |
1,4559 |
Tabla
6. Análisis
de varianza para los coeficientes de Hurst estimados.
Fuente: los autores, a partir de Minitab
17
Figura 9. Gráficas de residuos de Hurst.
Fuente: los autores, utilizando
Minitab 17
DISCUSIÓN
Latinoamérica se ha
destacado por tener ciertas características afines en sus economías, derivadas
posiblemente de similitudes sociopolíticas (entre otros aspectos); diversos
estudios se han realizado con el fin de determinar si sus principales
representantes (Brasil, México, Colombia, Perú, Chile y Argentina) son eficientes
y cuáles son los factores que influyen en dicho comportamiento. El problema
radica en que dependiendo del método y el periodo, los investigadores pueden
encontrar tendencias diferentes, las cuales pueden ser catalogadas en la aceptación
de la hipótesis de mercado eficiente, rechazo de la hipótesis de mercado eficiente
y mejora en la eficiencia (Duarte &
Mascareñas, 2014a).
Debido a lo anterior,
proponer una estructura sistemática del comportamiento de los retornos (incluyendo
el ajuste probabilístico, parámetros de distribución y periodo evaluado)
facilita el contraste con otros estudios y da indicios visuales sobre el
comportamiento de los principales mercados latinoamericanos, permitiendo
contrastar entre sí y a lo largo del tiempo la evolución de los mismos.
Por otra parte, las
economías de Colombia, Chile, Argentina, México, Perú y Brasil, a pesar de haber
presentado evoluciones diferentes a lo largo del tiempo, tienen marcadas
tendencias en común, lo cual se evidencia en el comportamiento de sus
rentabilidades (ver Figura 5). Estos se
caracterizan por ser mercados al alza con alta volatilidad, lo cual puede estar
relacionado con las crisis sociales, económicas y políticas presentadas en esos
años, ya que en el mercado bursátil se evidencian anomalías alrededor de los
periodos de crisis (Duarte, Garcés & Sierra, 2016).
Si bien durante el estudio
se estimó el nivel de memoria y en contraparte la eficiencia de los mercados,
cabe resaltar que existen múltiples formas de hallar el coeficiente de Hurst y que este, al ser una estimación sensible a la
presencia de memoria a corto plazo, puede variar según la metodología; sin
embargo, al contrastar el comportamiento real de las series históricas con el
nivel de memoria de los mercados bursátiles artificiales adaptados del modelo
creado por Fan (2009), es posible identificar que una bolsa simulada
con agentes conductuales en vez de racionales, no parece representar el nivel
de complejidad latinoamericano, al menos con los parámetros de macrofactor e
imitación, lo cual se relacionaría con el efecto manada, y este es solo uno
de los tantos sesgos posibles.
Otro elemento para
considerar es la fuente de los datos; durante este estudio se utilizaron los
precios de cierre de cada acción obtenidos mediante Bloomberg; sin embargo, existen discrepancias
entre la información disponible para cada índice. Debido a lo anterior y
teniendo en cuenta que el objetivo primario de esta investigación se relaciona
con la comparación entre mercados, fue necesario depurar el data set para poder comparar
históricamente las series, lo cual puede distorsionar ligeramente los
resultados.
Finalmente, para
futuras investigaciones es recomendable trabajar con modelos autómatas
celulares generadores de precios, a fin de realizar contrastes más profundos
entre las rentabilidades simuladas y los históricos de las series financieras,
además, con el propósito de considerar la autodependencia
en el tiempo, hacer los análisis del coeficiente de Hurst
con la variante propuesta por Andrew Lo (1991).
CONCLUSIÓN
Debido a la configuración de sus mercados bursátiles, durante el periodo
comprendido entre 2004 a 2016, la economía latinoamérica
presentó una baja eficiencia con comportamientos leptocúrticos
en el retorno de sus activos, indicando cierto grado de memoria (persistencia
en las series), el cual se evidencia en la rapidez con que esta entró y salió de
crisis, determinando que a la luz de los resultados no es posible aceptar la
hipótesis propuesta por Fama (1970), ya que no se verifica el comportamiento de
caminatas aleatorias.
Teniendo en cuenta lo anterior, se concluye que el modelo conductual
propuesto durante esta investigación no logra explicar el comportamiento económico
latinoamericano y si bien las series artificiales distaron de indicar
eficiencia, mostraron una tendencia caótica (antipersistente),
por tal razón, es necesario a partir de futuras investigaciones determinar qué otros elementos económicos y tipos de
agentes es necesario modelar, para conocer,
describir y, de ser posible, predecir el comportamiento económico
latinoamericano mediante la simulación.
REFERENCIAS
Atman, A. P. F. & Gonçalves, B. A. (2012).
Influence of the Investor’s Behavior on the Complexity of the Stock Market. Brazilian Journal of Physics, 42(1–2), 137–145. https://doi.org/10.1007/s13538-011-0057-7
Aysen, M. (2015). Argentina y su desarrollo posterior a la
crisis financiera. Problemas del Desarrollo, 46(180), 151–174. Recuperado
de http://doi.org/10.1016/S0301-7036(15)72123-1
Bakker, L., Hare, W., Khosravi, H. & Ramadanovic, B.
(2010). A Social Network
Model of Investment Behaviour in the Stock Market. Physica A: Statistical
Mechanics and its Applications, 389(6), 1223–1229. Retrieved from http://doi.org/10.1016/j.physa.2009.11.013
Bartolozzi, M. & Thomas, A. W.
(2005). Stochastic Cellular Automata Model for Stock Market Dynamics. Physical Review, 73,
1–17.
Blasco de Las Heras, N. & Santamaría, R. (1994). Memoria
a largo plazo en el mercado de valores español: una aproximación a través del
análisis R/S. Investigaciones Económicas, 28(3), 571–583. Recuperado de http://ftp.fundacionsepi.es/investigacion/revistas/paperArchive/Sep1994/v18i3a9.pdf
Duarte, J. B., Garcés, L. D. & Sierra, K. J. (2016).
Efecto manada en sectores económicos de las bolsas latinoamericanas: una visión
pre y poscrisis subprime. Contaduría y Administración, 61(2),
298–323. Recuperado de http://doi.org/10.1016/j.cya.2015.12.002
Duarte, J. B. & Mascareñas, J. M. (2014a). ¿ Han sido los
mercados bursátiles eficientes informacionalmente? Apuntes del Cenes, 33(57),
117–146.
Duarte, J. B. & Mascareñas, J. M. (2014b). Comprobación
de la eficiencia débil en los principales mercados financieros
latinoamericanos. Estudios Gerenciales, 30(133), 365–375. Recuperado de http://doi.org/10.1016/j.estger.2014.05.005
Fama, E. (1970, May). Efficient Captial
Markets: A Review of Theory and Empirical Work. The Journal of Finance, 25(2). Retrieved from
http://doi.org/10.1111/j.1540-6261.1970.tb00518.x
Fan, Y., Ying, S.-J., Wang, B.-H. &
Wei, Y.-M. (2009). The Effect of Investor Psychology on the Complexity of Stock Market: An Analysis
Based on Cellular Automaton Model. Computers & Industrial Engineering,
56(1), 63–69. Retrieved from http://doi.org/10.1016/j.cie.2008.03.015
Lo, A.W. (1991). Long-Term Memory in
Stock Market Prices. Econometrica, 59(5),
1279. Retrieved from http://www.jstor.org/stable/2938368?origin=crossref
Lo, A. W. (2005). Reconciling
Efficient Markets with Behavioral Finance: The Adaptive Markets Hypothesis. Journal
of Investment Consulting, 920(617).
Malkiel, B. G. & Fama, E. F.
(1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The
Journal of Finance, 25(2), 383–417. Retrieved from http://doi.org/10.1111/j.1540-6261.1970.tb00518.x
Mandelbrot, B. (1972). Statistical
Methodology for Nonperiodic Cycles: From the Covariance to R/S Analysis. Annals of Economic and Social Measurement, 1(3), 259–290.
Miranda, R. (2014). Comercio y política: Argentina entre las
potencias y las no potencias. Latinoamérica, Revista de Estudios
Latinoamericanos, 59, 41–67. Recuperado de http://doi.org/10.1016/S1665-8574(14)71725-9
Mozafari, M. & Alizadeh, R.
(2013). A Cellular Learning Automata Model of Investment Behavior in the Stock
Market. Neurocomputing, 122, 470–479. Retrieved from http://doi.org/10.1016/j.neucom.2013.06.002
Qiu, G., Kandhai, D. & Sloot, P.
M. A. (2007). Understanding the Complex Dynamics of Stock Markets Through
Cellular Automata. Physical Review, 75(4), 46116–11. Retrieved
from http://doi.org/10.1103/PhysRevE.75.046116
Shiller, R. J. (2003). From Efficient
Markets Theory to Behavioral Finance. Journal of
Economi Perspectives, 17(1055),
83–104.
Sierra, G. (2007). Procesos de Hurst y movimiento
browniano fraccional en mercados fractales: Valuación y aplicaciones a los
derivados y Finanzas. Monterrey: Instituto Tecnológico de Estudios Superiores de
Monterrey.
Stefan, F. M. & Atman, A. P. F.
(2015). Is there Any Connection Between the Network Morphology and the
Fluctuations of the Stock Market Index? Physica A: Statistical Mechanics and
its Applications, 419, 630–641. Retrieved from http://doi.org/10.1016/j.physa.2014.10.026
Villegas, P. H. L. (2016). Latinoamérica ante las
transformaciones del orden monetario y financiero mundial. Economía Informa,
396, 67–83. Recuperado de http://doi.org/10.1016/j.ecin.2016.01.004
Wei, Y., Ying, S., Fan, Y. & Wang, B.-H. (2003). The Cellular Automaton Model of
Investment Behavior in the Stock Market. Physica A: Statistical Mechanics
and its Applications, 325(3), 507–516. Retrieved from http://doi.org/10.1016/S0378-4371(03)00144-4
Ying, S. & Fan, Y. (2014).
Complexity in the Chinese Stock Market and its Relationships with Monetary Policy
Intensity. Physica A, 394, 338–345. Retrieved from http://doi.org/10.1016/j.physa.2013.09.047
Zhou, T., Zhou, P.-L., Wang, B.-H.,
Tang, Z.-N. & Liu, J. (2004). Modeling Stock Market Based on Genetic
Cellular Automata. Science And Technology, 18, 2697–2702. Retrieved
from http://doi.org/10.1142/S0217979204025932
*
Ingeniero Industrial.
Estudiante de Maestría en Ingeniería Industrial. Universidad Industrial de Santander.
Bucaramanga, Colombia. Correo electrónico: leonardo.talero@gmail.com
**
Ingeniero Industrial.
Doctor en Finanzas de Empresa. Profesor titular. Escuela de Estudios
Industriales y Empresariales. Universidad Industrial de Santander. Bucaramanga,
Colombia. Correo electrónico: jduarte@uis.edu.co
***
Ingeniera Industrial.
Estudiante de Maestría en Ingeniería Industrial. Profesor auxiliar. Escuela de
Estudios Industriales y Empresariales. Universidad Industrial de Santander.
Bucaramanga, Colombia. Correo
electrónico: lauradgarces@gmail.com