Dionicio Rosado, Deivy Yosip

Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y

MATEMÁTICAS
S
A
ESCUELA ACADÉMICO PROFESIONAL DE
C
ESTADÍSTICA
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
TESIS:
Y A
A
"MODELOS VECTORIALES AUTORREGRESIVOS EN EL

C
PRONÓSTICO DE LA CURVA DE RENDIMIENTO CUPÓN

TE
CERO DEL GOBIERNO PERUANO"

O
LI
Autor: Br. Deivy Yosip, Dionicio Rosado

IB
Asesor: MsC. Luis Alberto, Rubio Jácobo

B
TRUJILLO – PERÚ
2013
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú.
Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/
PRESENTACIÓN:
S
Señores miembros del jurado:
A
C
Dando cumplimiento a las disposiciones del reglamento de Grados y Títulos de
SI
la Facultad de Ciencias Físicas y Matemáticas de la Escuela Profesional de
S FÍ
Estadística de la Universidad Nacional de Trujillo, presento a vuestra
consideración y criterio la presente tesis titulada: “MODELOS VECTORIALES
C S
AUTORREGRESIVOS EN EL PRONÓSTICO DE LA CURVA DE
TI IA
RENDIMIENTO CUPÓN CERO DEL GOBIERNO PERUANO”, con la finalidad
Á C
A
de optar el título de Ingeniero Estadístico.
M EN
Aprovecho la oportunidad para expresar mi sincero agradecimiento y aprecio a

I
TE C
todos los profesores del Departamento de Estadística, por inculcarnos su

M DE
conocimiento y experiencia a lo largo de los años de nuestra formación

académica.
Y A
A
C
Dejo pues, a su elevado criterio, la presente tesis para que sea analizada,
TE
agradeciendo sus sugerencias, apreciaciones y criterios constructivos para la

mejora de esta.
O
LI
IB
Br. Deivy Yosip, Dionicio Rosado.

B
Trujillo, Junio del 2013
pág. i
DEDICATORIA:
A:
S
Dios, por darme la oportunidad de vivir y por estar conmigo en cada paso que
A
doy, por fortalecer mi corazón e iluminar mi mente y por haber puesto en mi
C
camino a aquellas personas que han sido mi soporte y compañía durante todo
SI
el periodo de estudio. A la Virgen María. Porque al igual que al lado de su hijo
S FÍ
Jesucristo, siempre ha sentido conmigo brindándome su amor incondicional de
madre.
C S
TI IA
Mi madre Teresa Rosado R., por darme la vida, quererme mucho, creer en mi y
Á C
A
porque siempre me apoyaste. Mamá gracias por darme una carrera para mi
M EN
futuro, todo esto te lo debo a ti.

I
TE C
Mis abuelos Cesar Rosado y Edelmira Rodríguez (QEPD), por quererme y

M DE
apoyarme siempre, esto también se lo debo a ustedes.

Y A
Mis hermanas, Fiorella y Elisa, por estar conmigo y apoyarme siempre, los
A
C
quiero mucho.
TE
Mis sobrinos, Joshua Valentino y Anell Bryanna, para que vean en mí un

ejemplo a seguir.
O
LI
Mi asesor y director de tesis, MsC. Luis Alberto Rubio Jácobo y a mi coasesora

IB
Doc. Jeanette Baldramina González Castro, agradezco infinitamente todo su

B
apoyo, por compartir desinteresadamente sus conocimientos, experiencias,

consejos y por su amistad, mas que una docente, una gran amiga.
pág. ii
AGRADECIMIENTO:
A mi Alma Mater la Universidad Nacional de Trujillo, por darme la oportunidad

de alcanzar esta meta, gracias a los profesores e investigadores quienes
S
durante los cinco años se esmeraron por dar lo mejor para mi formación
A
profesional, por los conocimientos teóricos y las experiencias vividas.
C
SI
Al MsC. Luis Alberto Rubio Jácobo, por dirigir esta tesis, por confiar en mí
S FÍ
desde el inicio. Agradezco su alto empeño, dedicación profesional,
aportaciones teóricas, experiencias, consejos y llamadas de atención
C S
TI IA
enmarcadas en torno a la investigación. Su exigencia y rigurosidad han sido
claves en este trabajo, sin su dedicación y disponibilidad, sin duda no hubiera
Á C
A
podido lograr esta meta.
M EN
I
También me gustaría agradecer a mis profesores durante toda mi carrera

TE C
profesional porque todos han aportado en mi formación académica, y en

M DE
especial a mis profesores el Dr. Carlos Minchón Medina, Dra. Rosa Gutiérrez
Alarcón, Lic. Manuel Sisniegas Gonzales y Luis Rubio Jacobo por sus
Y A
consejos, su enseñanza y más que todo por su amistad.

A
C
TE
Son muchas las personas que han formado parte de mi vida profesional a las
que me encantaría agradecerles su amistad, consejos, apoyo, ánimo y
O
compañía en los momentos más difíciles de mi vida. Algunas están aquí

LI
conmigo y otras en mis recuerdos y en mi corazón, sin importar en donde estén

IB
quiero darles las gracias por formar parte de mí, por todo lo que me han
B
brindado y por todas sus bendiciones.
Para ellos: Muchas gracias y que Dios los bendiga.
pág. iii
RESUMEN:
La curva de rendimiento es una herramienta utilizada ampliamente, por quienes

toman las decisiones de política monetaria o planifican sus inversiones, de
S
acuerdo con la valoración, negociación o cobertura sobre instrumentos
A
financieros. Debido a su importancia, el interés de la presente tesis tuvo como
C
finalidad determinar el modelo que pronostica la curva de rendimiento cupón
SI
cero del Gobierno Peruano. Para ello, se estimó la estructura de tasas diarias
S FÍ
cero cupón o curva spot mediante los Modelos de Vectores Autorregresivo
(VAR); para ello se utilizó una muestra de 756 tasas diarias de Rendimiento
C S
Spot de los Bonos Soberanos del Gobierno Peruano con vencimientos al: 05 de
TI IA
Mayo del 2015 (ser01), 12 de Agosto del 2026 (ser02) y 12 de Agosto del 2037
Á C
A
(ser03). Encontrándose como resultados que el modelo VAR(2):
M EN
SER01 = 0.911724156554*SER01(-1) + 0.0640536274213*SER01(-2) +
0.221189915528*SER02(-1) - 0.194899524638*SER02(-2) -
I
TE C
0.0429637415452*SER03(-1) + 0.0426318529443*SER03(-2) -
M DE
0.0548891371956
SER02 = 0.0981088271898*SER01(-1) - 0.0962863018585*SER01(-2) +
Y A
0.933358408775*SER02(-1) + 0.0561247356621*SER02(-2) +
A
C
0.153025808579*SER03(-1) - 0.15546618703*SER03(-2) +
TE
0.0751235375087
SER03 = 0.0417344728586*SER01(-1) - 0.0432335010554*SER01(-2) +
O
0.19112018575*SER02(-1) - 0.168651422863*SER02(-2) +
LI
0.928651807912*SER03(-1) + 0.0454341303391*SER03(-2) +
IB
0.0328214402768
B
Sin embargo, otros métodos pueden modelar el comportamiento de los datos

de las Tasas diarias de Rendimiento Cupón Cero del Gobierno Peruano, por lo
que se recomienda revisar otras metodologías y comparar los resultados que
se obtengan con los hallados en esta tesis.
PALABRAS CLAVE: MODELOS VAR, CUPÓN CERO, CURVA DE

RENDIMIENTO.
pág. iv
ABSTRACT:
The yield curve is a widely used tool for decision makers monetary policy or
S
plan their investments, according to the valuation, trading or hedging
A
financial instruments. Because of its importance, the interest of this thesis
C
aimed to determine the model that predicts the zero coupon yield curve
SI
Peruvian government. To do this, we estimated the daily fee structure zero
S FÍ
coupon or spot curve through Vector Autoregressive Models (VAR), for it is
based on a sample of 756 daily rates Spot Performance Sovereign Bonds
C S
TI IA
maturing Peruvian Government to: 05 May 2015 (ser01), August 12, 2026
(ser02) and August 12, 2037 (ser03). Finding such results the VAR (2):
Á C
A
M EN
SER01 SER01 = 0.911724156554 * (-1) + 0.0640536274213 * SER01 (-2) +

I
* 0.221189915528 SER02 (-1) - * 0.194899524638 SER02 (-2) -

TE C
0.0429637415452 * SER03 (-1) + 0.0426318529443 * SER03 (-2) -

M DE
0.0548891371956
SER01 SER02 = 0.0981088271898 * (-1) - 0.0962863018585 * SER01 (-2)
Y A
+ 0.933358408775 * SER02 (-1) + 0.0561247356621 * SER02 (-2) +

A
C
0.153025808579 * SER03 (-1) - 0.15546618703 * SER03 (-2) +

TE
0.0751235375087
SER01 SER03 = 0.0417344728586 * (-1) - 0.0432335010554 * SER01 (-2)
O
+ 0.19112018575 * SER02 (-1) - 0.168651422863 * SER02 (-2) +

LI
0.928651807912 * SER03 (-1) + 0.0454341303391 * SER03 (-2) +

IB
0.0328214402768
B
However, other methods can model the behavior of the data from the daily
rates of Zero Coupon Yield Peruvian Government, so it is recommended to
review other methodologies and compare results obtained with those found
in this thesis.
KEYWORDS: VAR MODELS, COUPON ZERO YIELD CURVE.
pág. v
ÍNDICE:
PRESENTACIÓN:.......................................................................................................................................... i
S
DEDICATORIA: ............................................................................................................................................. ii
A
AGRADECIMIENTO: ..................................................................................................................................iii
C
RESUMEN: ..................................................................................................................................................... iv
SI
ABSTRACT: .................................................................................................................................................... v
S FÍ
ÍNDICE: ............................................................................................................................................................ vi
CAPITULO I: INTRODUCCIÓN ..............................................................................................................1
C S
TI IA
1.1. ANTECEDENTES: ................................................................................................... 5
1.2. JUSTIFICACIÓN: ..................................................................................................... 7
Á C
A
1.2.1. CIENTÍFICA:........................................................................................................ 7
M EN
1.2.2. SOCIAL: ............................................................................................................... 7

I
1.3. PROBLEMA: ............................................................................................................. 8

TE C
1.4. HIPÓTESIS: .............................................................................................................. 8

M DE
1.5. OBJETIVOS: ............................................................................................................. 8

1.5.1. OBJETIVO GENERAL: ...................................................................................... 8
Y A
1.5.2. OBJETIVOS ESPECÍFICOS: ........................................................................... 8

A
C
CAPITULO II: MARCO TEÓRICO Y CONCEPTUAL .....................................................................9

TE
2.1 Sistema Nacional de Endeudamiento ................................................................... 9

2.2 Bono: ........................................................................................................................ 10
O
a) Tipos de bonos ....................................................................................................... 11

LI
2.3 Bono Soberano ....................................................................................................... 13

IB
2.4 CURVA DE RENDIMIENTO O YIELD CURVE ................................................. 13

B
2.5 VECTORES AUTOREGRESIVOS (VARs) ........................................................ 15

a) Clasificación de los VARs: .................................................................................... 16
b) Pasos para la modelación con VAR .................................................................... 18
c) Descripción de datos ............................................................................................. 19
d) La Prueba de causalidad de Granger ................................................................. 19
e) Las funciones impulso-respuesta ........................................................................ 20
f) La descomposición del error de pronóstico........................................................ 20
pág. vi
g) Pronóstico ................................................................................................................ 20
h) Inferencia estructural ............................................................................................. 21
i) Análisis de política .................................................................................................. 21
2.6 DETECCIÓN DE SUPUESTOS BÁSICOS Y SUS CORRECCIONES: ........ 22
a) NORMALIDAD: Prueba de Kolmogorov-Smirnov (k-s): ................................... 22
b) HETEROCEDASTICIDAD: Prueba general de White. ..................................... 24
S
c) MULTICOLINEALIDAD: ........................................................................................ 26
A
d) AUTOCORRELACIÓN: ......................................................................................... 27
C
2.7 APLICAR EL PROCEDIMIENTO DE MÁXIMA VEROSIMILITUD AL VAR
SI
ESTIMADO CON EL FIN DE DETERMINAR EL RANGO (R) DE
COINTEGRACIÓN DEL SISTEMA...................................................................... 29
S FÍ
2.8 METODOLOGÍA DE BOX JENKINS: .................................................................. 32
C S
CAPITULO III: MATERIAL Y MÉTODOS ......................................................................................... 34
TI IA
3.1. MATERIAL Y MÉTODOS ...................................................................................... 34
Á C
3.1.1 MATERIAL: ........................................................................................................ 34
A
M EN
3.1.2 MÉTODOS:........................................................................................................ 34
3.2. ÁREA Y TIPO DE INVESTIGACIÓN ................................................................... 40
I
3.2.1. ÁREA DE INVESTIGACIÓN: .......................................................................... 40

TE C
3.2.2. TIPO DE INVESTIGACIÓN: ........................................................................... 40

M DE
3.3. DISEÑO METODOLÓGICO: ................................................................................ 40

CAPITULO IV: RESULTADOS Y DISCUSIÓN .............................................................................. 41
Y A
4.1 RESULTADOS:....................................................................................................... 41
A
C
4.1.1 PRUEBA DE SUPUESTOS BÁSICOS: ........................................................ 41

TE
4.1.2 MODELOS VAR (BOX – JENKINS): ............................................................. 43

4.2 DISCUSIÓN: ........................................................................................................... 60
O
CAPITULO V: CONCLUSIONES Y RECOMENDACIONES .................................................... 64

LI
5.1 CONCLUSIONES: .................................................................................................. 64

IB
5.2 RECOMENDACIONES.......................................................................................... 65
B
REFERENCIAS BIBLIOGRÁFICAS Y ANEXO ............................................................................. 66

REFERENCIAS BIBLIOGRÁFICAS: ............................................................................. 66
REFERENCIAS LINKOGRÁFICAS: .............................................................................. 69
ANEXOS: ........................................................................................................................... 70
pág. vii
CAPITULO I: INTRODUCCIÓN
Utilizamos un modelo del tipo vector autorregresivo (VAR) cuando queremos

caracterizar las interacciones simultáneas entre un grupo de variable. Un VAR
es un modelo de vectores autorregresivos formado por un sistema de
ecuaciones de forma reducida sin restringir. Que sean ecuaciones de forma
S
reducida quiere decir que los valores contemporáneos de las variables del
A
modelo no aparecen como variables explicativas en las distintas ecuaciones. El
C
conjunto de variables explicativas de cada ecuación está constituido por un
SI
bloque de retardos de cada una de las variables del modelo. Que sean
S FÍ
ecuaciones no restringidas significa que aparece en cada una de ellas el mismo
grupo de variables explicativas.
C S
TI IA
Así, en un modelo vectorial autorregresivo de primer orden, VAR(1), las
Á C
A
variables explicativas de cada ecuación son: una constante, más un retardo de
M EN
cada una de las variables del modelo. Si el modelo pretende explicar el
comportamiento temporal de 3 variables, habría 3 variables explicativas, más
I
TE C
constante, en cada ecuación, para un total de 12 coeficientes a estimar. Si el

M DE
modelo fuera de segundo orden, VAR(2), habría 7 coeficientes a estimar en

cada una de las 3 ecuaciones que componen el modelo VAR. Como puede
verse, todas las variables son tratadas simétricamente, siendo explicadas por el
Y A
A
pasado de todas ellas.

C
TE
Pueden incluirse también como variables explicativas algunas variables de

O
naturaleza determinista, como una posible tendencia temporal, variables

LI
ficticias estacionales, o una variable ficticia de tipo impulso o escalón, que sirve
IB
para llevar a cabo un análisis de intervención en el sistema. Por último, podría

incluirse como explicativa una variable, incluso en valor contemporáneo, que
B
pueda considerarse exógena respecto a las variables que integran el modelo

VAR.
El modelo VAR es muy útil cuando existe evidencia de simultaneidad entre un

grupo de variables, y que sus relaciones se transmiten a lo largo de un
determinado número de períodos. Al no imponer ninguna restricción sobre la
pág. 1
versión estructural del modelo, no se incurre en los errores de especificación

que dichas restricciones pudieran causar al ejercicio empírico. De hecho, la
principal motivación detrás de los modelos VAR es la dificultad en identificar
variables como exógenas, como es preciso hacer para identificar un modelo de
ecuaciones simultáneas.
S
Por el contrario, en un modelo VAR todas las variables se tratan de igual modo:
A
el modelo tienen tantas ecuaciones como variables, y los valores retardados de
C
todas las ecuaciones aparecen como variables explicativas en todas las
SI
ecuaciones. Una vez estimado el modelo, puede procederse a excluir algunas
S FÍ
variables explicativas, en función de su significación estadística, pero hay
razones para no hacerlo. Por un lado, si se mantiene el mismo conjunto de
C S
TI IA
variables explicativas en todas las ecuaciones, entonces la estimación por
mínimos cuadrados ordinarios ecuación por ecuación es eficiente, por lo que el
Á C
A
proceso de estimación del modelo es verdaderamente sencillo. Por otro, la
M EN
presencia de vectores de retardos como variables explicativas hace que la

I
colinealidad entre variables explicativas sea importante, lo que hace mejor

TE C
precisión en la estimación del modelo y reduce los valores numéricos de los

M DE
estadísticos tipo t de Student.

Y A
Una de las líneas de interés de las finanzas modernas es el estudio del

A
C
financiamiento por medio del cual las empresas y los gobiernos se hacen de
TE
recursos para hacer proyectos de alto impacto económico o social, en el caso

de las empresas la necesidad de crecer es imperativa para competir en un
O
entorno dinámico, por lo tanto el costo que paga una empresa por el capital
LI
necesario puede ser la diferencia entre el éxito y el fracaso de los proyectos e

IB
inversión, el instrumento financiero que mayores beneficios otorga a las

B
empresas es la emisión de deuda cuando su estructura de capital es óptima es

por ello que en esta investigación se profundiza en los modelos VAR que
permiten analizar la dinámica de la Curva de Rendimiento Cupón Cero del
Gobierno Peruano
La curva de rendimientos tiene una importancia capital para el mundo

académico y práctico desde el punto de vista económico y financiero, al reflejar
pág. 2
el precio intertemporal del dinero. No obstante, a pesar de su importancia, la

curva de rendimientos presenta empíricamente una serie de dificultades,
debido a que se construye a través de una serie de precios (tasas) de
instrumentos financieros discontinuos en el tiempo que, por lo general, están
lejos de ser una "curva" suave. Es así que, se denomina curva en realidad a
una nube de puntos que relaciona plazos con tasas de interés.
S
A
La curva de rendimiento o yield curve es la relación de tasas de interés y sus
C
plazos correspondientes, llámese tasas de corto, mediano y largo plazo, para
SI
una moneda y deudor determinado en una fecha específica. Dicha estructura
S FÍ
de plazos de las tasas de interés es importante para el análisis
macroeconómico porque afecta las decisiones de consumo e inversión de los
C S
TI IA
agentes económicos, y por tanto de la demanda agregada, que es uno de los
determinantes de la inflación en la economía. Desde el punto de vista
Á C
A
financiero, la existencia de una curva de rendimiento favorece el desarrollo del
M EN
mercado de capitales doméstico, primario y secundario, al permitir la

I
valorización de los instrumentos financieros (de deuda y derivados).

TE C
M DE
En el esquema actual de metas explícitas de inflación (inflation targeting) que

se aplica en el Perú desde el 2002, el banco central tiene como meta operativa
Y A
de política monetaria a la tasa de interés del mercado interbancario de muy

A
C
corto plazo, que es el punto de partida de la curva de rendimiento. El grado en

TE
que las decisiones del banco central -sobre su meta operativa- se trasmiten
hacia el resto de tasas (efecto traspaso o pass through), va a determinar la
O
efectividad de la política monetaria. Dichas decisiones pueden modificar la

LI
forma de la curva de rendimiento, tanto su intercepto como su pendiente,

IB
dependiendo de las expectativas sobre la evolución de las tasas de interés

B
futuras.
La curva de rendimiento no sólo se ve influenciada por las decisiones del banco

central sobre las tasas de corto plazo (y su efecto sobre el resto de tasas), sino
también por otros determinantes, particularmente de la tasa de interés real, la
tasa de inflación y la prima de riesgo. Por ejemplo, menores tasas de
rendimientos nominales de largo plazo están asociadas por lo general a
pág. 3
menores expectativas de inflación, aunque también podría deberse a una

reducción en la tasa real de interés o de la prima por riesgo y liquidez (risk y
term premia).
La curva de rendimiento permite extraer información sobre expectativas del

mercado de diversas variables macroeconómicas útiles para el diseño de la
S
política monetaria: llámese tasas de interés futuras, tasas de inflación, tasas de
A
depreciación, entre otras. Desde el punto de vista del análisis monetario, la
C
curva de rendimiento permite extraer las expectativas para las tasas de corto
SI
plazo que tienen los agentes, lo que permite determinar si dichas expectativas
S FÍ
son compatibles con el objetivo inflacionario del banco central.
C S
TI IA
Otro método para el análisis monetario está asociada a la relación existente
entre las diferentes tasas de la curva de rendimiento. El diferencial (spread)
Á C
A
entre las tasas de largo y corto plazo (o pendiente de la curva de rendimiento)
M EN
es un indicador de las expectativas del mercado sobre la evolución de la

I
economía. Al respecto, algunos autores señalan que una pendiente negativa de

TE C
la curva de rendimiento o curva invertida (tasas de largo plazo menores a las

M DE
de corto plazo) indicarían expectativas de una recesión futura y por tanto

menores tasas de interés futuras.
Y A
A
C
Asimismo, mediante la estimación de la curva de rendimiento para diferentes

TE
fechas es posible evaluar el grado en que las decisiones de la autoridad

monetaria a través de modificaciones de su tasa de referencia son anticipadas
O
por el mercado.
LI
IB
En la presente tesis la metodología de estimación para la curva de rendimiento

B
en el Perú, es el Modelo de Vectores Autorregresivos (VAR). Se compara el

desempeño de los modelos en términos de ajuste, flexibilidad y estabilidad de
sus parámetros, y se evalúan funciones objetivo de estimación alternativas.
pág. 4
1.1. ANTECEDENTES:
En la investigación “Estimación de la Curva de Rendimiento Cupón Cero
para el Perú” realizada por Javier Pereda, publicada en el 2009 por el
BANCO CENTRAL DE RESERVA DEL PERU se estimó dos modelos para la
curva de rendimiento en soles para el Perú, el modelo de Nelson & Siegel
(1987) y el modelo de Svensson (1994). Se comparó el desempeño de ambos
S
modelos en términos de ajuste, flexibilidad y estabilidad de sus parámetros, y
A
se evalúan funciones objetivo de estimación alternativas. El modelo de
C
Svensson tiene el mejor ajuste, sin embargo, es más inestable cuando no se
SI
dispone de datos suficientes para los diferentes plazos de la curva de
S FÍ
rendimiento -por la ausencia de emisiones o de precios cuando la negociación
en el mercado secundario es incipiente- en cuyo caso es preferible el uso del
C S
modelo de Nelson & Siegel.
TI IA
Á C
A
“LA FORMACIÓN DE LA CURVA DE RENDIMIENTOS EN NUEVOS SOLES
M EN
EN PERÚ” de los autores Augusto Rodriguez A. y Julio Alberto
Villavicencio V. pertenecientes al Departamento de Economía de la
I
TE C
Pontificia Universidad Católica del Perú tuvo como finalidad analizar el

M DE
proceso de formación de la curva de rendimientos en nuevos soles de Perú y,

en particular, la evolución de sus distintos tramos como respuestas a diferentes
políticas y eventos externos e internos. Para ello, se estima la estructura de
Y A
A
C
tasas cero cupón o curva spot mediante la metodología propuesta por Nelson &
TE
Siegel (1987). El análisis sugiere que en el caso peruano, la curva de

rendimientos en su proceso de formación ha sido muy sensible a eventos
O
internos, como la emisión de un nuevo plazo largo, y externos, como las

LI
variaciones en las tasas de interés internacionales. Este hecho explica el

IB
comportamiento variable de las tasas de interés domésticas. De esta manera,

la curva de rendimiento ha adoptado en el período de un año y medio formas
B
cóncavas, convexas y lineales, sin que los agentes hayan alterado sus
expectativas respecto a los fundamentos macroeconómicos. Finalmente, al ser
el mercado doméstico de capitales incompleto, dado que no cuenta con
instrumentos de coberturas, la curva de Bonos Soberanos permite la existencia
de posibilidades de arbitraje para los agentes.
pág. 5
El BANCO DE LA REPUBLICA COLOMBIANA publicó el trabajo realizado por

Juan Manuel Julio, Silvia Juliana Mera y Alejandro Revéiz Hérault; de
fecha Mayo del 2002 titulado “La Curva Spot (Cero Cupón): Estimación con
splines cúbicos suavizados, usos y ejemplos”, se discute la importancia de
la curva spot (cero cupón), así como las consideraciones que deben realizarse
para escoger un conjunto de métodos de estimación que suplan las múltiples
S
necesidades a las que se enfrenta un inversionista o especulador,
A
adicionalmente, se presenta una metodología de estimación basada en splines
C
cúbicos suavizados, con validación cruzada, con la cual se estima la curva spot
SI
de los Tes B tasa fija. Esta estimación es posteriormente utilizada para ilustrar
S FÍ
los problemas que pueden surgir al estimar curvas spot, con cualquier
metodología, en un mercado ineficiente en términos de arbitraje, así como para
C S
TI IA
estimar los Key Rate Durations para títulos específicos o portafolios de bonos.
Esto con el fin de mostrar cómo movimientos no paralelos de la curva, cambios
Á C
A
en la pendiente o en la curvatura, pueden afectar portafolios con la misma
M EN
duración. Concluyendo en que las herramientas que surgen de la estimación de

I
esta curva y la sofisticación de los mercados financieros han llevado a las

TE C
instituciones financieras y los inversionistas institucionales de tamaño

M DE
importante a nivel global a modificar su proceso de toma de decisiones,

trabajando en base a un presupuesto de riesgo definido por los niveles más
Y A
altos de las instituciones que es distribuido selectivamente por tipos de riesgo

A
C
tales como riesgo de tasa de interés, crediticio o de prepago entre otros.

TE
En el Artículo “LA CURVA DE RENDIMIENTOS: UNA REVISIÓN

O
METODOLÓGICA Y NUEVAS APROXIMACIONES DE ESTIMACIÓN” del

LI
autor Juan Camilo Santana (2008), se interesó por evaluar el desempeño de

IB
un conjunto de modelos econométricos en el ajuste de la estructura a plazos de

B
las tasas de interés (en el escenario del mercado de deuda pública en

Colombia y en Estados Unidos), y en las distintas formas que pueden tomar las
curvas de rendimientos. Los resultados revelaron las bondades en el ajuste de
las redes neuronales artificiales (RNA), la curva de Svensson, la curva de
Nelson-Siegel y los polinomios locales. No obstante, se recomienda utilizar la
curva de Svensson en la estimación de las tasas de interés, debido a la
pág. 6
interpretabilidad de sus parámetros y a su superioridad sobre la Curva de

Nelson-Siegel.
En el 58° Congreso Mundial de Estadística organizado por el International

Statistical Institute (ISI) se presentó el proyecto de investigación “Forecasting
the Indonesian Government Securities Yield Curve using Neural Networks
S
and Vector Autoregressive Model” en el cual indica que el método de NN y
A
VAR son dos métodos que se pueden utilizar para predecir el comportamiento
C
de la curva de rendimiento. Sin embargo, parece que el modelo Redes
SI
Neuronales (NS) en algunos casos no puede modelar el comportamiento de los
S FÍ
datos de rendimiento con precisión, y por lo tanto dando como resultado una
predicción inexacta del comportamiento futuro de la curva de rendimiento.
C S
TI IA
También recomienda que para investigaciones futuras, considerar el modelo
más avanzado de los modelos de la curva de rendimiento, tales como el
Á C
A
método ampliado con la incorporación de las variables financieras y
M EN
macroeconómicas en el modelo NS.

I
TE C
1.2. JUSTIFICACIÓN:
M DE
1.2.1. CIENTÍFICA:
Analizar las curvas de rendimiento, recurriendo a técnicas existentes en
la estadística y/o econometría, que no han sido estudiadas en el periodo
Y A
A
de estudios y que podrían ampliar las metodologías estadísticas

C
utilizadas en las finanzas del área de la economía en la actualidad y

TE
contribuir en el desarrollo teórico de los modelos de vectores

O
autorregresivos (VAR).
LI
1.2.2. SOCIAL:
IB
Proporcionar información a las personas interesadas sobre los modelos

VAR y su aplicación en el desarrollo de capitales que se constituye en
B
una tarea fundamental, pues permitirá a los inversionistas locales contar

con una fuente alternativa de financiamiento que contribuirá al
mejoramiento de la relación ahorro-inversión productiva domestica, a la
vez que protegerá al país de crisis financieras internacionales.
pág. 7
1.3. PROBLEMA:
¿CUÁL ES EL MODELO QUE PRONOSTICA LA CURVA DE
RENDIMIENTO CUPÓN CERO DEL GOBIERNO PERUANO?
1.4. HIPÓTESIS:
El Modelo que mejor pronostica la curva de rendimiento cupón cero del
Gobierno Peruano es un VAR (1).
S
A
1.5. OBJETIVOS:
C
1.5.1. OBJETIVO GENERAL:
SI
Hallar el modelo que mejor predice la curva de rendimiento cupón cero
para el Gobierno Peruano mediante el método de Vector de Modelos
S FÍ
Autorregresivos (VAR).
C S
TI IA
1.5.2. OBJETIVOS ESPECÍFICOS:
Á C
A
 Evaluar los supuestos básicos y realizar sus respectivas
M EN
correcciones a los datos.
 Estimar los modelos VAR posibles que predigan la curva de
I
TE C
rendimiento cupón cero de Gobierno Peruano.

M DE
 Identificar el mejor modelo VAR que prediga la curva de rendimiento

cupón cero de Gobierno Peruano.
Y A
A
C
TE
O
LI
IB
B
pág. 8
CAPITULO II: MARCO TEÓRICO Y CONCEPTUAL
2.1 Sistema Nacional de Endeudamiento

Es el conjunto de órganos, normas y procedimientos orientados al logro
de una eficiente administración del endeudamiento a plazos mayores de
S
un año de las entidades y organismos del Sector Público; está integrado
A
por la Dirección Nacional del Endeudamiento Público, dependiente del
C
Viceministerio de Hacienda y por las Unidades Ejecutoras las cuales
SI
conducen los procesos relacionados con el sistema, a nivel de todas las
S FÍ
entidades del Sector Público que administran fondos de las entidades y
organismos públicos, las mismas que son responsables de velar por el
C S
cumplimiento de las normas y procedimientos que emita el órgano rector.
TI IA
Á C
Se rige por los siguientes principios:
A
M EN
a) Eficiencia y prudencia. El Endeudamiento Público interno y

I
TE C
externo se basa en una estrategia de largo plazo que tiene como

objetivo fundamental cubrir parte de los requerimientos de
M DE
financiamiento del Sector Público a los más bajos costos posibles,

sujetos a un grado de riesgo prudente y en concordancia con la
Y A
A
capacidad de pago del país.

C
b) Responsabilidad fiscal. El Endeudamiento Público debe contribuir

TE
a la estabilidad macroeconómica y a la sostenibilidad de la política

O
fiscal, mediante el establecimiento de reglas y límites a la

LI
concertación de operaciones de endeudamiento del Sector Público

IB
y una prudente administración de la deuda. El Gobierno Nacional

no reconocerá deudas contraídas por los Gobiernos Regionales y
B
Locales, salvo las debidamente avaladas.

c) Transparencia y credibilidad. El proceso de Endeudamiento
Público debe llevarse a cabo mediante mecanismos previstos en la
Ley, que sean transparentes y predecibles.
d) Capacidad de pago. El Endeudamiento Público permite obtener
financiamiento externo e interno, de acuerdo con la capacidad de
pág. 9
pago del Gobierno Nacional, los Gobiernos Regionales, los

Gobiernos Locales o de la entidad obligada.
e) Centralización normativa y descentralización operativa. El
Endeudamiento Público se sujeta a la regla de centralización
normativa y descentralización operativa en el Gobierno Nacional,
Gobiernos Regionales y Gobiernos Locales.
S
A
La Dirección Nacional del Endeudamiento Público es el órgano rector del
C
sistema nacional del endeudamiento público, dicta las normas y
SI
establece los procedimientos relacionados con su ámbito y tiene como
S FÍ
principales atribuciones las siguientes:
 conducir la programación, la concertación y el desembolso de las
C S
TI IA
operaciones de Endeudamiento del Gobierno Nacional y de sus
avales o garantías;
Á C
A
 registrar la deuda de las entidades y organismos del Sector
M EN
Público;
I
 atender el servicio de la deuda del Gobierno Nacional;

TE C
 desarrollar la administración de pasivos;

M DE
 actuar como agente financiero único del Gobierno Nacional

pudiendo autorizarse la realización de gestiones financieras
Y A
específicas a otras entidades del Estado mediante resolución

A
C
ministerial del Ministerio de Economía y Finanzas;

TE
 emitir títulos representativos de deuda del Estado;

 actuar como fideicomisario y/o fideicomitente en patrimonios
O
fideicometidos derivados de operaciones de Endeudamiento

LI
Público y de administración de deuda;

IB
 otorgar o contratar garantías para atender requerimientos

B
derivados del proceso de promoción de la inversión privada y

concesiones, así como registrar y atender su ejecución.
2.2 Bono:
Los bonos son instrumentos financieros de deuda utilizados por entidades
privadas y también por entidades gubernamentales y que sirven para
financiar a las mismas empresas. El bono es una de las formas de
pág. 10
materializarse los títulos de deuda, de renta fija o variable. Pueden ser

emitidos por una institución pública, un Estado, un gobierno regional, un
municipio o por una institución privada, empresa industrial, comercial o de
servicios. También pueden ser emitidos por una institución supranacional
(Banco Europeo de Inversiones, Corporación Andina de Fomento, etc.),
con el objetivo de obtener fondos directamente de los mercados
S
financieros. Son títulos normalmente colocados al nombre del portador y
A
que suelen ser negociados en algún mercado o bolsa de valores. El
C
emisor se compromete a devolver el capital principal junto con los
SI
intereses, también llamados cupón. Este interés puede tener carácter fijo
S FÍ
o variable, tomando como base algún índice de referencia como puede
ser el euribor.
C S
TI IA
Cabe resaltar que el dinero o fondo que se obtenga se puede prestar a
Á C
A
instituciones por un periodo definido y a una tasa de interés fija.
M EN
a) Tipos de bonos
I
Los principales tipos de bonos son:

TE C
M DE
 Bono canjeable: Bono que puede ser canjeado por acciones ya

existentes. No provoca ni la elevación del capital ni la reducción
Y A
de las acciones.
A
C
 Bono Convertible: Bono que concede a su poseedor la opción

TE
de canjearlo por acciones de nueva emisión a un precio

O
prefijado. Ofrece a cambio un cupón (una rentabilidad) inferior

LI
al que tendría sin la opción de conversión.

 Bono cupón cero: Título que no paga intereses durante su
IB
vida, sino que lo hace íntegramente en el momento en el que

B
se amortiza, es decir cuando el importe del bono es devuelto.

En compensación, su precio es inferior a su valor nominal.
 Bonos del Estado (España): Títulos del Tesoro público a medio
plazo (2-5 años). Su nominal es de 1.000 euros y el pago de
los intereses se realiza anualmente. Además de los Bonos, el
pág. 11
Estado Español emite otros valores parecidos (véase Deuda

pública).
 Bonos de caja. Títulos emitidos por una empresa, que se
compromete a reembolsar al vencimiento fijado el préstamo
pactado; los recursos obtenidos con la emisión de estos bonos
se dedican a las necesidades de tesorería de la empresa.
S
 Strips: Algunos bonos del Estado son "strippables", o divididos,
A
puede segregarse el valor del bono en cada uno de los pagos
C
que se realizan, distinguiendo básicamente los pagos en
SI
concepto de intereses (cupones) y el pago del principal, y
S FÍ
negociarlos por separado.
C S
 Bonos de deuda perpetua: Son aquellos que nunca devuelven
TI IA
el principal, (esto es, el nominal del bono, que generalmente
coincide con la inversión inicial), sino que pagan intereses
Á C
A
(cupones) regularmente de forma indefinida. Son los más
M EN
sensibles a variaciones en el tipo de interés.

I
 Bonos basura, que se definen como títulos de alto riesgo y baja

TE C
calificación, que ofrece, en contrapartida, un alto rendimiento.

M DE
A los propietarios de bonos se les conoce con el nombre de "tenedores" o

Y A
"bonistas". Algunas emisiones de bonos llevan incorporadas opciones o

A
C
warrants que permiten amortizaciones anticipadas, conversión en

TE
acciones o en otros activos financieros, etc.

O
El precio de un bono se calcula al actualizar los flujos de pago de ese

LI
bono. Esa actualización se hace mediante el descuento financiero (en

IB
capitalización simple o compuesta, según el vencimiento) de dichos flujos,

B
y un tipo de interés. A medida que aumente el tipo de interés de

descuento (esto es, en cierta medida, el riesgo asociado a ese bono),
disminuirá el precio y viceversa.
pág. 12
2.3 Bono Soberano

Los gobiernos, al igual que las empresas, requieren financiar sus
actividades. Para ello cuentan con distintas fuentes de financiamiento
tales como la recaudación de impuestos, los excedentes de la operación
de empresas públicas y el endeudamiento.
S
El endeudamiento puede realizarse de dos formas distintas: a través de
A
créditos o empréstitos otorgados por bancos locales, extranjeros o
C
internacionales, y a través de la emisión u oferta pública de instrumentos
SI
de deuda, como bonos o pagarés, que son ofrecidos a los inversionistas,
S FÍ
quienes los compran a cambio de que al vencimiento se les devuelva el
capital más intereses.
C S
TI IA
Un bono soberano es un instrumento de deuda que permite al fisco
Á C
A
acceder a financiamiento a través del mercado de valores. El emisor de
M EN
un bono soberano es el país que busca financiamiento y puede ser
emitido tanto en los mercados locales como en mercados internacionales,
I
TE C
dependiendo de los objetivos buscados y del costo asociado a cada

M DE
emisión. En todo caso, usualmente se llama bono soberano a aquél

emitido en los mercados internacionales.
Y A
A
C
Su importancia radica en que al ser un bono cuyo pago depende del fisco,
TE
el “spread” o diferencial entre la tasa de interés de un bono libre de riesgo

y el bono soberano indica la probabilidad que le asigna el mercado al
O
cumplimiento o “pago” por parte del emisor de la deuda contraída. Por

LI
ello, dicho spread es conocido como “riesgo país”, pues indirectamente

IB
mide tanto la estabilidad de la conducción económica de un país como su

deseo de cumplir con los compromisos.
B
2.4 CURVA DE RENDIMIENTO O YIELD CURVE

La curva de rendimiento o yield curve es la relación de tasas de interés y
sus plazos correspondientes, llámese tasas de corto, mediano y largo
plazo, para una moneda y deudor determinado en una fecha específica (1).
Dicha estructura de plazos de las tasas de interés es importante para el
pág. 13
análisis macroeconómico porque afecta las decisiones de consumo e

inversión de los agentes económicos, y por tanto de la demanda
agregada, que es uno de los determinantes de la inflación en la
economía. Desde el punto de vista financiero, la existencia de una curva
de rendimiento favorece el desarrollo del mercado de capitales doméstico,
primario y secundario, al permitir la valorización de los instrumentos
S
financieros (de deuda y derivados) (1).
A
C
La curva de rendimiento, estructura de tasas de interés o curva cero
SI
cupón es el conjunto de rendimientos al vencimiento, zt, de un grupo de
S FÍ
bonos sin cupones ordenados por su plazo al vencimiento. Al precio de
los bonos sin cupones (𝑃̅𝑡 ) se les conoce como la función de descuento, y
C S
TI IA
se relaciona con la tasa cero cupón o spot (zt) de la siguiente manera:
Á C
A
𝑃̅𝑡 = exp⁡(−𝑡𝑧𝑡 ) (1)
M EN
I
Si no existe posibilidad de arbitraje, el precio de un bono con cupones es

TE C
igual a la suma de sus flujos de pago futuros, FC t, descontados con la

M DE
función de descuento:
Y A
𝑃̅𝑡 = ∑𝑇𝑖=1 𝑃̅𝑖𝑡 𝐹𝐶𝑖𝑡 = ∑𝑇𝑖=1 exp⁡(−𝑡𝑧𝑡 )𝐹𝐶𝑖𝑡 (2)

A
C
TE
El rendimiento a la maduración de un bono que paga cupones o TIR del

bono (rT), es la tasa de interés que hace que el valor presente de los
O
cupones se iguale al precio del bono:

LI
IB
𝑃̅𝑡 = ∑𝑇𝑖=1 exp⁡(−𝑡𝑟𝑇 )𝐹𝐶𝑖𝑡 (3)

B
Al conjunto de rt ordenadas por plazo se le conoce como curva par. Los

rendimientos a la maduración pueden ser interpretados como un promedio
complejo de las tasas cero cupón, que dependerá de la estructura de
cupones que el bono registre. Por ello, no es recomendable utilizar estas
tasas como una aproximación a la curva de rendimiento cero cupón.
pág. 14
Finalmente, la tasa forward, ft, es la tasa futura que se puede garantizar a

partir de la estructura actual de tasas, bajo el cumplimiento de la hipótesis
de la teoría pura de las expectativas5. La tasa cero cupón corresponde al
promedio de las tasas forward:
S
∑𝑇
𝑡=1 𝑓𝑡
𝑧𝑇 = (4)
A
𝑇
C
SI
Metodología para la estimación de la estructura de tasas de interés
En la actualidad existen varias metodologías para calcular la curva de
S FÍ
rendimientos cupón cero. El método más simple es el conocido como
C S
bootstrapping, que consiste en un procedimiento recursivo que encuentra
TI IA
una a una las tasas cupón cero. Para ello, halla la tasa de descuento que
Á C
iguala el precio de un bono con cupones correspondiente al rendimiento a
A
M EN
la maduración del mismo plazo, y el valor presente de los flujos de pago
del bono descontados con la función de descuento. No obstante, este
I
TE C
procedimiento requiere disponer de un conjunto completo de precios para

bonos de plazos con intervalos regulares de tiempo, condición que no se
M DE
cumple en la práctica. En este documento se utilizará el método de

Modelo de Vectores Autorregresivo (VAR).
Y A
A
C
TE
2.5 VECTORES AUTOREGRESIVOS (VARs)

O
La macroeconometría cumple cuatro funciones importantes: describe y

LI
resume datos macroeconómicos, permite hacer pronósticos, cuantifica lo

IB
conocido y lo desconocido acerca de la verdadera estructura de la

macroeconomía y sugiere caminos a los tomadores de decisiones en
B
materia de política económica. Antes de la aparición de los vectores

autorregresivos, esas cuatro funciones fueron realizadas utilizando una
gran variedad de técnicas y empleando para ello: desde grandes modelos
—con cientos de ecuaciones— hasta modelos uniecuacionales y otros de
series de tiempo univariados. Después del caos macroeconómico de los
años 70, ninguno de esos modelos resultó en especial muy útil; los
pág. 15
vectores autorregresivos (VARs) constituyen una herramienta

econométrica de series de tiempo de aplicación relativamente joven en el
análisis macroeconómico. Los modelos econométricos estructurales, o de
la econometría tradicional, postulan una ecuación en la que la variable
endógena depende de una o varias variables consideradas exógenas al
modelo. En los modelos VARs, todas las variables son consideradas
S
endógenas, lo que permite capturar de mejor manera los comovimientos
A
de las variables y la dinámica de sus interrelaciones; el esquema
C
proporciona una forma sistemática de aprehender la rica dinámica del
SI
análisis de series de tiempo multivariado.
S FÍ
Desde el punto de vista conceptual, un proceso autorregresivo univariado
C S
TI IA
es una ecuación simple: un modelo de una variable en el cual el valor
corriente de la variable es explicado por sus propios valores rezagados.
Á C
A
En contraste, un VAR es un sistema de n ecuaciones: un modelo lineal de
M EN
n variables donde cada variable es explicada por sus propios valores

I
rezagados, más el valor pasado del resto de variables.

TE C
M DE
a) Clasificación de los VARs:

Y A
 VARs de forma reducida

A
C
El VAR de forma reducida expresa cada variable como una función

TE
lineal de sus propios valores pasados y de los valores pasados de

las otras variables del modelo. Cada ecuación se estima por
O
mínimos cuadrados ordinarios (MCO), el término de error no está

LI
serialmente correlacionado, el número de rezagos a incluir en cada

IB
ecuación puede ser determinado por varios criterios y el término de

B
error es considerado como un shock no anticipado o elemento

sorpresa.
 VARs recursivos
En este tipo de VARs, los residuos de la ecuación i no son
correlacionados con el término de error de la ecuación anterior. En
otras palabras, la variable del lado izquierdo de la primera ecuación
pág. 16
depende sólo de los valores rezagados de todas las variables

incluidas en el VAR, en tanto la variable correspondiente de la
segunda ecuación depende de los rezagos de todas las variables del
VAR y del valor contemporáneo de la variable de la primera
ecuación. Asimismo, la variable del lado izquierdo de la tercera
ecuación depende de los rezagos de todas las variables y de los
S
valores contemporáneos de la primera y la segunda variables. Este
A
procedimiento es aplicado para las n variables incluidas en el VAR.
C
En este tipo de VAR, el orden de las variables es importante y los
SI
resultados están influenciados por dicho ordenamiento. ¿Qué
S FÍ
significa hablar de orden en este contexto? Por ejemplo: cuando se
está interesado en analizar los efectos de la tasa de interés (r) sobre
C S
TI IA
el desempleo (U) y la inflación (I), se puede partir del supuesto de
que el nivel de inflación afecta de —forma contemporánea— al
Á C
A
desempleo y que el desempleo y la inflación afectan —de modo
M EN
contemporáneo— la tasa de interés. En este modelo, la tasa de

I
interés se concibe como la variable de política, y entonces el orden a

TE C
imponer al VAR sería: I, U y r. En la jerga de VARs, este algoritmo —

M DE
para estimar los coeficientes del VAR recursivo— es equivalente a

estimar la forma reducida y luego calcular la factorización de
Y A
Cholesky de la matriz de covarianzas del VAR de la forma reducida.

A
C
Las variables controladas por la autoridad monetaria (los

TE
instrumentos de política monetaria) en este tipo de modelos son

tomadas como exógenas, mientras que las variables
O
macroeconómicas —que representan las metas finales de la política

LI
monetaria— son introducidas como endógenas. El experimento de

IB
política de interés por lo común consiste en modificar tales variables

B
exógenas, a fin de evaluar el impacto sobre las variables meta, lo

que de forma normal se hace generando gráficas de impulso-
respuesta.
 VARs estructurales
Este tipo de VARs utiliza teoría económica para ordenar la relación
contemporánea entre las variables y requiere de supuestos de
identificación que permitan que las correlaciones de las variables
pág. 17
sean interpretadas casualmente; estos supuestos de identificación

pueden involucrar a todo el VAR o a un conjunto de ecuaciones. El
número de VARs estructurales, a partir de un VAR en forma
reducida, debe estar limitado sólo por la capacidad creativa del
investigador. Por ejemplo, si se tienen las mismas variables del
ejemplo anterior, el VAR puede incluir, en la ecuación de la tasa de
S
interés, una Regla de Taylor del tipo backward looking (reacción del
A
Banco Central a información pasada de las variables) o forward
C
looking (reacción a valores esperados de las variables). Por ejemplo,
SI
en el caso de las tres variables mencionadas, Stock y Watson
S FÍ
consideran dos VARs estructurales. La regla utilizada es la siguiente:
C S
TI IA
𝑅𝑡 = 𝑟 ∗ + 1.5(𝐼𝑡̅ − 𝐼 ∗ ) − 1.25(𝑈
̅𝑡 − 𝑈 ∗ ) + 𝑣𝑎𝑙𝑜𝑟𝑒⁡𝑟𝑒𝑧𝑎𝑔𝑎𝑑𝑜𝑠⁡𝑑𝑒⁡𝑅, 𝐼, 𝑈 +
𝜉𝑡 ,
Á C
A
M EN
donde r* es la tasa de interés real deseada o de largo plazo; 𝐼𝑡̅ y 𝑈

̅𝑡
I
son los valores promedio de inflación y tasa de desempleo de los

TE C
últimos cuatro trimestres observados o del pronóstico cuatro

M DE
períodos adelante según sea el caso (backward looking o forward

looking); I y U son los valores meta de inflación y desempleo; y 𝜉𝑡 el
Y A
error en la ecuación. La ecuación anterior es la ecuación de la tasa

A
C
de interés en el VAR estructural, que también es conocida como la

TE
función de reacción del Banco Central cuando la tasa de interés es

la meta operacional de la política monetaria.
O
LI
El error de la ecuación puede ser interpretado como un shock de

IB
política monetaria, debido a que representa la magnitud del desvío

B
entre la tasa de interés observada y la tasa de interés de la Regla de

Taylor.
b) Pasos para la modelación con VAR

La modelación mediante la metodología VAR ha sido bastante usada por
los macroeconometristas en distintas áreas de investigación, y la
selección del tipo de VAR a usar depende de los objetivos que persigue
pág. 18
el investigador. Por ejemplo, cuando el propósito es realizar pronóstico

sobre un conjunto de variables, es suficiente hacerlo por medio de un
VAR de forma reducida, el cual permite describir de manera adecuada
las características y correlaciones de las variables. Asimismo, si el
objetivo es medir el impacto de un determinado shock o llevar a cabo
análisis de distintas políticas, se podrán usar VARs recursivos o
S
estructurales. En general, la aplicación de modelos VAR debería
A
involucrar los siguientes pasos: primero, el VAR de forma reducida y un
C
VAR recursivo son empleados para resumir los comovimientos de las
SI
series involucradas; segundo, el VAR de forma reducida es usado para
S FÍ
pronosticar las variables, y su bondad es evaluada frente a un modelo
alternativo; tercero, los distintos VARs estructurales son usados para
C S
TI IA
estimar el efecto de un movimiento sorpresa en la variable de política.
Por último, debe discutirse cómo el VAR estructural podría ser usado
Á C
A
para el análisis de política.
M EN
c) Descripción de datos
I
La práctica estándar en análisis VAR es reportar resultados de la Prueba

TE C
de causalidad de Granger, las gráficas de la función impulso- respuesta

M DE
y la descomposición de varianza del error de pronóstico. Esas

estadísticas son automáticamente calculadas por paquetes como Eviews
Y A
o PC-Give. Debido a la complicada dinámica en el VAR, estas pruebas

A
C
estadísticas son más informativas que los coeficientes de regresión

TE
estimados o el estadístico R2, los cuales típicamente no son reportados.

O
d) La Prueba de causalidad de Granger

LI
Sirve para examinar si los valores rezagados de una variable ayudan a

IB
predecir otra variable. Por ejemplo, si la tasa de desempleo no ayuda a

predecir la inflación, los coeficientes correspondientes a la tasa de
B
desempleo —en la ecuación de la inflación— serán cero. Stock y

Watson encuentran, para los Estados Unidos, que la tasa de desempleo
ayuda a predecir la inflación a un nivel de significancia del 5%, pero la
tasa de interés, no. La inflación no ayuda a predecir la tasa de
desempleo, pero la tasa de interés sí lo hace. Asimismo, la tasa de
inflación y la tasa de desempleo ayudan a predecir la tasa de interés.
pág. 19
e) Las funciones impulso-respuesta

Muestran la respuesta de los valores corrientes y futuros de cada una de
las variables, a un incremento equivalente a una desviación estándar en
el valor corriente de uno de los errores del VAR, asumiendo que el error
en cuestión retorna a cero en el siguiente período y que el resto de
errores son iguales que cero. El hecho de cambiar un error, manteniendo
S
constantes los otros errores, tiene sentido cuando los errores no están
A
correlacionados entre ecuaciones, por lo que las funciones impulso-
C
respuesta son típicamente calculadas para VARs recursivos y
SI
estructurales.
S FÍ
f) La descomposición del error de pronóstico
Es el porcentaje de la varianza del error de pronosticar una variable
C S
TI IA
debido a un shock específico en un horizonte dado. Es decir, la
descomposición del error de pronóstico es como un R2 parcial para el
Á C
A
error de pronóstico, para un horizonte de pronóstico. De modo intuitivo,
M EN
puede interpretarse como la proporción del error de pronóstico que es

I
explicada por el error de la otra variable.

TE C
g) Pronóstico
M DE
Los pronósticos para varios períodos adelante son calculados iterando

hacia adelante el VAR de forma reducida. Para evaluar la bondad del
Y A
modelo se realizan pronósticos fuera de la muestra o, más

A
C
precisamente, simulados fuera de la muestra. Por ejemplo: si los datos

TE
utilizados —para estimar el VAR de forma reducida— fueran de

periodicidad trimestral, se podrían examinar los horizontes de pronóstico
O
de dos trimestres, cuatro trimestres y ocho trimestres. El pronóstico de h

LI
períodos adelante es calculado estimando el VAR hasta un trimestre

IB
dado; luego para calcular los nuevos pronósticos se considera los

B
valores pronosticados en la estimación anterior. Este método es

conocido también como pronóstico dinámico. Como una comparación, el
pronóstico obtenido con el VAR normalmente se evalúa con pronósticos
obtenidos por otros métodos (modelos autorregresivos univariados y
otros disponibles para el investigador) utilizando para ello la raíz del error
cuadrático medio.
pág. 20
h) Inferencia estructural
Volviendo al ejemplo del VAR de tres variables (inflación, tasa de
desempleo y tasa de interés) presentado antes, Stock y Watson se
plantean la siguiente pregunta: ¿cuál es el efecto sobre las tasas de
inflación y de desempleo de un incremento sorpresa de 100 puntos
básicos en la tasa de interés? En palabras utilizadas en VAR, la
S
pregunta puede plantearse de la siguiente manera: ¿cuáles son las
A
respuestas de las tasas de inflación y de desempleo a un shock o
C
impulso de política monetaria, en un VAR estructural? Los autores
SI
comparan dos VARs estructurales cambiando la función de reacción de
S FÍ
la Reserva Federal de los Estados Unidos: el primero con una Regla de
Taylor del tipo backward-looking, y el segundo con una regla forward-
C S
looking.
TI IA
Á C
A
Los resultados encontrados por los autores muestran que, para los dos
M EN
casos, un shock de un punto porcentual en la tasa de interés de los
fondos federales afecta la tasa de interés real, la inflación y el
I
TE C
desempleo. A pesar de que para la tasa de interés los resultados son

M DE
bastante similares mediante el uso de cualquier tipo de regla, para las

tasas de desempleo y de inflación, los efectos difieren de manera
significativa. Bajo la regla backward-looking, el incremento de 100
Y A
A
C
puntos básicos sobre la tasa de interés produce una suave caída en la

TE
actividad económica y una modesta caída en la inflación; bajo la regla

forward-looking, la misma acción de la FED obtiene mejores resultados
O
frente a la inflación, a costa de una recesión fuerte y rápida.

LI
i) Análisis de política
IB
En el contexto de la política monetaria, en principio el VAR estructural

B
puede ser usado para analizar dos tipos de políticas. El primero cambia
la Regla de Taylor (con ponderación en el desempleo y en la inflación)
por una regla de meta de inflación explícita. Si la intervención es un
movimiento no esperado en la tasa de interés, los efectos estimados de
esta política sobre el desempleo y la inflación futura son resumidos por
las funciones impulso-respuesta. Aunque el incremento por “una sola”
vez de la tasa de interés puede ser poco realista, el mismo ejercicio se
pág. 21
puede hacer para incrementos sostenidos del tipo temporal en la tasa de

interés.
El segundo tipo de análisis cambia la regla de política monetaria, lo cual

es más complicado. Una forma de evaluar la nueva regla de política es
responder la cuestión: ¿cuál es el efecto de shocks monetarios y no
S
monetarios sobre la economía bajo la nueva regla? Esta pregunta
A
involucra todas las perturbaciones estructurales, y responderla requiere
C
un modelo macroeconómico completo de determinación simultánea de
SI
todas las variables, lo cual significa que todas las relaciones causales en
S FÍ
el VAR estructural deben ser especificadas; en este caso, el VAR
estructural involucra los siguientes pasos: un VAR estructural estimado,
C S
TI IA
en el cual todas las ecuaciones son identificadas; luego, un nuevo
modelo es construido para reemplazar la regla de política monetaria.
Á C
A
Finalmente, al comparar las gráficas de impulso-respuesta en los dos
M EN
modelos, se muestra cómo el cambio en política ha alterado los efectos

I
de los shocks monetarios y no monetarios.

TE C
M DE
2.6 DETECCIÓN DE SUPUESTOS BÁSICOS Y SUS CORRECCIONES:

Y A
A
C
a) NORMALIDAD: Prueba de Kolmogorov-Smirnov (k-s):

Es una prueba no paramétrica utilizada para variables de tipo
TE
continuo. Esta prueba es exacta para cualquier tamaño de muestra.

O
Se aplica a los siguientes modelos: Normal, Exponencial, Weibull.

LI
Su hipótesis de trabajo es:

IB
Ho: Los datos sigue una distribución “m”.

B
H1: Los datos No siguen una distribución “m”.
Estadístico de Contraste:
𝐷 = sup |𝐹̂𝑛 (𝑥𝑖 ) − 𝐹̂0 (𝑥𝑖 )| (5)
pág. 22
donde:
o xi es el i-ésimo valor observado en la muestra (cuyos valores se

han ordenado previamente de menor a mayor).
o 𝐹̂𝑛 (𝑥𝑖 ) es un estimador de la probabilidad de observar valores
menores o iguales que xi.
S
o 𝐹̂0 (𝑥𝑖 ) es la probabilidad de observar valores menores o iguales
A
que xi cuando H0 es cierta.
C
SI
Así pues, D es la mayor diferencia absoluta observada entre la
S FÍ
frecuencia acumulada observada 𝐹̂𝑛 (𝑥𝑖 ) y la frecuencia acumulada
C S
teórica 𝐹̂0 (𝑥𝑖 ), obtenida a partir de la distribución de probabilidad que
TI IA
se especifica como hipótesis nula.
Á C
A
M EN
Si los valores observados 𝐹̂𝑛 (𝑥𝑖 ) son similares a los esperados
𝐹̂0 (𝑥𝑖 ), el valor de D será pequeño. Cuanto mayor sea la
I
discrepancia entre la distribución empírica 𝐹̂𝑛 (𝑥𝑖 ) y la distribución

TE C
teórica, mayor será el valor de D.

M DE
Por tanto, el criterio para la toma de la decisión entre las dos

Y A
A
hipótesis será de la forma:

C
TE
O
LI
Donde el valor 𝐷𝛼 se elige de tal manera que:

IB
B
𝑃(𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑟𝐻0 |𝐻0 𝑐𝑖𝑒𝑟𝑡𝑎)

= 𝑃(𝐷 > 𝐷𝛼 |𝑙𝑜𝑠⁡𝑑𝑎𝑡𝑜𝑠⁡𝑠𝑖𝑔𝑢𝑒𝑛⁡𝑢𝑛𝑎⁡𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛⁡m) = 𝛼
Siendo α el nivel de significación del contraste. Para el cálculo

práctico del estadístico D deben obtenerse:
pág. 23
𝑖 𝑖−1
𝐷 + = max { 𝐹0 (𝑥𝑖 )} 𝐷− = max {𝐹0 (𝑥𝑖 ) − }
1≤𝑖≤𝑛 𝑛 1≤𝑖≤𝑛 𝑛
Y a partir de estos valores:
𝐷 = max⁡{𝐷+ , 𝐷− }
S
A su vez, el valor de 𝐷𝛼 depende del tipo de distribución a probar y
A
C
se encuentra tabulada.
SI
Medidas remediales: Para poder normalizar los datos se tiene dos
S FÍ
opciones: estandarizar los datos o trabajarlos en función a la
C S
distribución en el cual se comportan.
TI IA
Á C
A
b) HETEROCEDASTICIDAD: Prueba general de White.
M EN
El modelo básico de regresión lineal exige, como hipótesis básica,
que la varianza de las perturbaciones o errores aleatorios,
I
TE C
condicional a los valores de los regresores X, sea constante:

M DE
𝑉𝑎𝑟(𝑢𝑡 |𝑋𝑡 ) = 𝜎 2 ⁡𝑜⁡𝑉𝑎𝑟(𝑢𝑡 ) = 𝜎 2

Y A
A
C
El proceso a seguir para realizar este contraste sería el siguiente:

TE
o Estimar el modelo original por MCO, determinando la serie de

los errores. Escrito esto en forma matricial para un modelo con
O
"n" observaciones y "k" variables explicativas:

LI
IB
𝑌 = 𝑋𝛽 + 𝑈
𝛽̂ = [𝑋 ′ 𝑋]−1 𝑋 ′ 𝑌
B
𝑌̂ = 𝑋𝛽̂
𝑒 = 𝑌 − 𝑌̂
o Estimar un modelo en el que la endógena sería los valores al
cuadrado de los errores obtenidos previamente (paso 1) con
todas las variables explicativas del modelo inicial, sus cuadrados
y sus combinaciones no repetidas.
pág. 24
2 2
𝑒𝑡2 = 𝛼0 + 𝛼1 𝑥1𝑡 + ⋯ + 𝛼𝑘 𝑥𝑘𝑡 + 𝛼𝑘+1 𝑥1𝑡 + ⋯ + 𝛼𝑘+𝑘 𝑥𝑘𝑡 + 𝛼𝑘+𝑘+1 𝑥1𝑡 𝑥2𝑡
+ 𝛼𝑘+𝑘+2 𝑥1𝑡 𝑥3𝑡 + ⋯ + 𝛼3𝑘+1 𝑥2𝑡 𝑥3𝑡 + ⋯ + 𝜀𝑡
o El valor de la 𝑅𝑒2 de este segundo modelo (paso 2) nos dirá si las

variables elegidas sirven o no para estimar la evolución variante
S
del error al cuadrado, representativo de la varianza estimada de
A
las perturbaciones aleatorias. Evidentemente, si la varianza de
C
éstas fuera constante (homocedasticidad), el carácter no
SI
constante de las variables explicativas implicadas en el modelo
S FÍ
no serviría para explicar la endógena, luego la 𝑅𝑒2 debiera ser
C S
muy pequeña.
TI IA
En principio, la 𝑅𝑒2 , como proporción de la varianza de la endógena
Á C
A
real que queda explicada por la estimada, debiera ser muy pequeña
M EN
si la capacidad explicativa de los regresores considerados también

I
es muy pequeña, siendo estos regresores, por su construcción,

TE C
representativos de varianzas y covarianzas de todas las explicativas

M DE
del modelo original. Dicho esto, evidentemente un valor del 𝑅𝑒2

suficientemente pequeño servirá para concluir que no existe
Y A
heterocedasticidad en el modelo producido por los valores de las

A
C
explicativas consideradas en el modelo inicial. Para encontrar el

TE
valor crítico en esa consideración de “suficientemente pequeño” se

emplea la expresión deducida por Breusch y Pagan como producto
O
del coeficiente R2 por el número de datos del modelo, que se

LI
distribuiría del siguiente modo:

IB
B
2
𝑛 × 𝑅𝑒2 → 𝜒𝑝−1 (6)
En definitiva, si obtenemos un valor del producto 𝑛 ∗ 𝑅𝑒2 mayor que el

2
reflejado por las tablas de 𝜒𝑝−1 , afirmaremos que existe
heterocedasticidad, y viceversa, si este valor es más pequeño
pág. 25
diremos que se mantiene la homocedasticidad (luego la hipótesis

nula de este contraste es la homocedasticidad).
En definitiva, y a modo de breve “receta”, los pasos para la

corrección de la heterocedasticidad serían los siguientes:
a. Se estiman los parámetros del modelo por MCO, ignorando por el
S
momento el problema de la heterocedasticidad de las
A
perturbaciones aleatorias
C
b. Se establece un supuesto acerca de la formación de 𝜎𝑡2 y se
SI
emplean los residuos de la regresión por MCO para estimar la
S FÍ
forma funcional supuesta.
C S
c. Se divide cada observación por √𝜎̂𝑡2 según el paso anterior
TI IA
(según el valor de esa heterocedasticidad supuesta estimada,
siempre y cuando un contraste nos haya confirmado que el
Á C
A
M EN
“modelo simplificador” es bueno).
d. Se estima el modelo original ahora con todas las variables
I
transformadas según el paso c).

TE C
M DE
c) MULTICOLINEALIDAD:
Se define como la existencia de una fuerte combinación lineal entre
Y A
A
dos o más variables explicativas de un modelo econométrico. Hay

C
algunos indicios y estadísticos que pueden ayudar en el diagnóstico

TE
de multicolinealidad.
O
LI
Elevado R2 y todos los parámetros no significativos. La

multicolinealidad aproximada se pone de manifiesto en elevadas
IB
varianzas de los parámetros estimados que, como consecuencia,

B
son de ordinario no significativos y frecuentemente toman signos

contrarios a los previstos.
Una situación típica es aquella, aparentemente paradójica, en que

todos los parámetros en 𝛽̂ son no significativos y sin embargo R2 es
muy elevado. Parece que ningún regresor ayuda a ajustar el
pág. 26
regresando, y sin embargo todos en conjunto lo hacen muy bien. Ello

se debe a que la multicolinealidad no permite deslindar la
contribución de cada regresor.
La hipótesis a contrastar es la siguiente:

Ho: Existe multicolinealidad.
S
H1: No existe multicolinealidad.
A
C
Solución de la multicolinealidad:
SI
o Aumentar el tamaño muestral puede reducir un problema de
S FÍ
colinealidad aproximada.
o Si se suprimen variables que están correladas con otras, la
C S
TI IA
pérdida de capacidad explicativa será pequeña y la colinealidad
se reducirá.
Á C
A
o Trabajar con las series logaritmizadas.
M EN
o Utilizar datos de corte transversal.

I
o Desestacionalizar las series y quitarles la tendencia.

TE C
M DE
d) AUTOCORRELACIÓN:
La autocorrelación surge cuando los términos de error del modelo no
Y A
son independientes entre sí, es decir, cuando: E(u i, uj)≠0 para todo
A
C
i≠j. Entonces los errores estarán vinculados entre sí. Los

TE
estimadores mínimos cuadráticos ordinarios (MCO) obtenidos, bajo

esta circunstancia, dejan de ser eficientes.
O
LI
Ho: Existe Autocorrelación ó ρ = 0.

IB
H1: No existe autocorrelación ó ρ > 0.

B
Estadístico de Contraste: Para detectar la presencia de

autocorrelación en una serie de datos la prueba más utilizada y que
es calculada en, prácticamente, todos los programas econométricos,
es la de Durbin Watson. Para este fin se define el estadístico de la
siguiente manera:
pág. 27
∑𝑡=𝑇
𝑡=2 (𝑒𝑡 −𝑒𝑡−1 )
2
𝑑= ∑𝑇 2 (7)
𝑡=1 𝑒𝑡
Donde 𝑒𝑡 = 𝑦𝑖 − 𝑦̂𝑖 son, respectivamente, los valores observación y

predicción de la variable respuesta para el individuo i. d se hace más
pequeño conforme aumenta las correlaciones de la serie. La
S
distribución del muestreo de la prueba y su contraste depende del
A
numero de observaciones, del numero de parámetros, de la inclusión
C
o no del intercepto y de la incorporación de variables rezagadas en
SI
el modelo, además del nivel de significancia. Los valores del
S FÍ
estadístico Durbin Watson poseen un rango que va de cero a cuatro.
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
Existen tablas para probar la hipótesis de autocorrelación cero (ρ=0)

O
contra la hipótesis de autocorrelación positiva (ρ>0), que arrojan los

LI
límites: inferior (dL) y superior (dU), para la autocorrelación negativa

IB
se estima por diferencia con límites dado por la tabla que son 4-dU y
B
4-dL.
Corrección: Cuando es conocida la estructura se puede estimar el

coeficiente de autocorrelación serial (ρ) por algunos de los
procedimientos referidos anteriormente. Si sigue un proceso
autorregresivo de primer orden. Las variables se transforman y se
pág. 28
corre la regresión para el conjunto de datos transformados. Para

ejemplificar el proceso se muestra el proceso con un modelo de dos
variables.
𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝑢𝑡 (8)
S
Si multiplicamos (8) por (1-ρL) donde L es un operador de rezagos,
A
tal que si se multiplica una variable en el tiempo la rezaga en un
C
periodo es decir: LYt=Yt-1 y si el operador de rezagos es; L2Yt=Yt-2 y
SI
si LKYt=Yt-K. Por tanto:
S FÍ
(1 − 𝜌𝐿)𝑌𝑡 = (1 − 𝜌𝐿)[𝛼 + 𝛽𝑋𝑡 + 𝑢𝑡 ] (9)
C S
TI IA
(𝑌𝑡 − 𝜌𝑌𝑡−1 ) = [𝛼(1 − 𝜌) + 𝛽(𝑋𝑡 − 𝜌𝑋𝑡−1 ) + (𝑢𝑡 − 𝜌𝑢𝑡−1 )] (10)
Á C
A
M EN
𝑌𝑡∗ = 𝛼 ∗ + 𝛽𝑋𝑡∗ + 𝜀𝑡 (11)

I
TE C
Donde α*=α(1-ρ), Y*=(Yt -ρ Yt-1), X*=(Xt -ρ Xt-1) y εt =(ut -ρut-1).

M DE
Nótese que con la transformación εt N(0, σ2ε). Puesto que εt-1 cumple
los supuestos de normalidad, al aplicar MCO en las variables
Y A
transformadas se obtienen los estimadores y las estimaciones

A
C
óptimas. La regresión realizada por la ecuación (11) es una

TE
estimación por mínimos cuadrados generalizados (MCG). La primera

observación de las variables: dependiente (Y) y de los regresores
O
(X’s) se le aplica la transformación de Prais Winsten de la siguiente

LI
forma 𝑌1 √1 − 𝜌2 y 𝑋1 √1 − 𝜌2 .
IB
B
2.7 APLICAR EL PROCEDIMIENTO DE MÁXIMA VEROSIMILITUD AL VAR

ESTIMADO CON EL FIN DE DETERMINAR EL RANGO (R) DE
COINTEGRACIÓN DEL SISTEMA
Para determinar si un grupo de series no estacionarias están cointegradas

y, si es así, determinar las ecuaciones de cointegración (el equilibrio a
largo plazo), podemos utilizar un test de cointegración sobre modelos
pág. 29
VAR utilizando la metodología desarrollada por Johansen. Este autor

analiza las restricciones impuestas por la cointegración de las series
incluidas en un modelo VAR no restringido.
El planteamiento teórico de la propuesta de Johansen considera un

modelo VAR de orden p:
S
A
𝑦𝑡 = 𝐴1 𝑦𝑡−1 + ⋯ + 𝐴𝑝 𝑦𝑡−𝑝 + 𝐵𝑥𝑡 + 𝜀𝑡
C
SI
donde yt es un vector de k variables no estacionarias, I(1), xt es un vector
S FÍ
de d variables deterministas, y εt es un vector de innovaciones. En forma
C S
condensada, podemos rescribir el modelo VAR como:
TI IA 𝑝−1
Á C
A
∆𝑦𝑡 = Π𝑦𝑡−1 + ∑ Γ𝑖 Δ𝑦𝑡−𝑖 + 𝐵𝑥𝑡 + 𝜀𝑡
M EN
𝑖=1
I
TE C
donde
M DE
𝑝 𝑝
Π = ∑ 𝐴𝑖 − 𝐼,⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡Γ𝑖 = − ∑ 𝐴𝑗
Y A
𝑖=1 𝑗=𝑖+1
A
C
TE
El teorema de representación de Granger afirma que si la matriz de

coeficientes Π tiene un orden reducido r<k, entonces existen k*r matrices
O
α y β de orden r, tal que P = αβ' y ' βyt es estacionaria, donde r es el

LI
número de relaciones de cointegración (el orden de cointegración). Cada

IB
columna de β es el vector de cointegración. Los elementos de α son

B
conocidos como los coeficientes de ajuste en el modelo del vector de

corrección del error. El método de Johansen estima la matriz Π en forma
restringida, de forma que analiza si se pueden rechazar las restricciones
implícitas por el orden reducido de Π.
Respecto al número de relaciones de cointegración, si tenemos k

variables endógenas, cada una de las cuales con una raíz unitaria, puede
pág. 30
haber desde cero hasta k-1 relaciones de cointegración. Si no hay

ninguna relación de cointegración, cualquier método de análisis de series
temporales, como por ejemplo los modelos VAR sin restricciones, puede
aplicarse a las primeras diferencias de los datos.
Dado que hay k elementos integrados separados en las series, los niveles
S
de las series no aparecen en el modelo VAR en este caso. Por el
A
contrario, si hay una ecuación de cointegración en el sistema, entonces
C
una combinación lineal de los niveles de las variables endógenas β'yt-1,
SI
deberá ser añadida en cada ecuación del modelo VAR. Cuando se
S FÍ
multiplica una ecuación por un coeficiente, el término resultante αβ'yt-1, se
refiere al término de corrección del error. Si existen ecuaciones
C S
TI IA
adicionales de cointegración, cada una conllevará un término adicional de
corrección del error, que contenga una combinación lineal diferente de los
Á C
A
niveles de las series.
M EN
I
Si existen, exactamente, k relaciones de cointegración, es decir, tantas

TE C
como variables endógenas, es porque ninguna de las series contiene una

M DE
raíz unitaria, y el modelo VAR puede expresarse en términos de los

niveles de todas las series. Nótese que en algunos casos, el test
Y A
individual de raíces unitarias puede indicar que algunas de las series

A
C
están integradas (tienen raíz unitaria), pero el test de Johansen puede, sin
TE
embargo, indicar que el orden de cointegración es k. Esta aparente

contradicción puede ser el resultado del error de especificación de
O
modelo.
LI
IB
Por otra parte, cada columna de la matriz β proporciona una estimación

B
del vector de cointegración. El vector de cointegración no se identifica a

menos que se imponga alguna normalización arbitraria. Por ejemplo,
EViews adopta la normalización de que las r relaciones de cointegración
se resuelven para las primeras r variables en el vector yt como función del
resto de variables k-r. Sin embargo, una consecuencia de esta
normalización es que los vectores normalizados que proporciona EViews
no son, en general, ortogonales, a pesar de la ortogonalidad de los
pág. 31
coeficientes no normalizados. Por tanto, el test de cointegración de

Johansen nos permitirá confirmar que las variables están cointegradas y
el número de ecuaciones de cointegración.
2.8 METODOLOGÍA DE BOX JENKINS:

Box y Jenkins plantearon un conjunto de modelos en 1976, los cuales
S
explican el comportamiento de una variable a lo largo del tiempo. Estos
A
son los denominados modelos ARIMA.
C
SI
Basado en que una serie temporal obedece a un proceso estocástico y de
S FÍ
acuerdo a las características de cada serie – poseen tendencia,
C S
estacionalidad y el tamaño muestral suficiente – se procede a calcular a
TI IA
que modelo ARIMA univariante describe mejor a cada una de ellas.
Á C
A
M EN
La metodología BOX – JENKINS se usa ampliamente para pronosticar; es
diferente de la mayoría de metodologías, no asume ningún patrón
I
particular los datos históricos de la serie a pronosticar, utiliza un enfoque

TE C
iterativo de identificación de un modelo útil a partir de modelos tipo

M DE
general.
Y A
El punto importante a mencionar, es que para utilizar dicha metodología;

A
C
se debe tener una serie de tiempo estacionaria o una serie de tiempo que
TE
sea estacionaria después de varias diferenciaciones.

O
El objetivo de BOX – JENKINS es estimar el modelo estadístico que

LI
pueda ser interpretado como generador de la información muestral.

IB
B
Entonces, si este modelo estimado va a ser utilizado para predicción, se

debe suponer que sus características son constantes a través del tiempo.
Así, la simple razón para requerir información estacionaria, es que
cualquier modelo que sea inferido a partir de esta información pueda ser
interpretado como estacionario o estable, proporcionando por
consiguiente una basa válida de predicción.
pág. 32
La utilización de la Metodología Box – Jenkins tiene sus ventajas:
 Los modelos ARIMA no son un único modelo, sino una familia de

modelos.
 Un modelo ARIMA adecuado produce predicciones óptimas, es decir,
S
ningún otro modelo univariante consigue predicciones con menor
A
error.
C
SI
La metodología de BOX – JENKINS comprende 4 etapas. Estas son:
S FÍ
C S
DIAGRAMA DE FLUJO DE LA METODOLOGÍA DE BOX – JENKINS
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
pág. 33
CAPITULO III: MATERIAL Y MÉTODOS
3.1. MATERIAL Y MÉTODOS
3.1.1 MATERIAL:
3.1.1.1 Población:
S
Todos los días donde se ha generado Tasas de rendimiento.
A
C
3.1.1.2 Muestra:
SI
Días donde se a generado Tasas de Rendimiento comprendido en el
periodo enero 2009 a diciembre del 2011.
S FÍ
3.1.1.3 Tamaño de Muestra:
C S
756 días donde se ha generado Tasas de Rendimiento comprendido en
TI IA
el periodo Enero del año 2009 hasta Diciembre del año 2011.
Á C
A
M EN
3.1.1.4 Variables de Estudio:
Dependiente:
Y1: Tasa diaria de Rendimiento Spot del Bonos Soberano 05/05/15.
I
TE C

M DE
3.1.1.5 Unidad de Análisis:

Y A
Un día donde se generó la tasa de rendimiento de los Bonos

A
C
Soberanos del Gobierno Peruano comprendidos en el periodo enero

TE
2009 a diciembre del 2011.

O
LI
3.1.2 MÉTODOS:
IB
3.1.2.1 Recolección de Datos:

Los datos fueron proporcionados en formato Excel por una trabajadora
B
de la oficina de Atención al Usuario, del Ministerio de Economía y

Finanzas del Perú, previo a ellos se solicitó la información mediante
correo electrónico a la página del Ministerio de Economía y Finanzas.
pág. 34
3.1.2.2 Análisis Estadístico:
DETECCIÓN DE SUPUESTOS BÁSICOS Y SUS CORRECCIONES:

NORMALIDAD: Prueba de Jarque - Bera (k-s):
Ho: Los errores sigue una distribución “normal”.
S
H1: Los errores No siguen una distribución “normal”.
A
C
SI
S FÍ
C S
TI IA
Á C
A
Donde:
M EN
T: Tamaño de muestra
I
K: Es la kurtosis
TE C
S: Es la asimetría
M DE
k: Número de regresoras
Y A
Regla de Decisión:
A
C
TE
O
LI
Si el JB es menor 5.99 no se rechaza la hipótesis nula

IB
B
HETEROCEDASTICIDAD: Prueba general de White.

El modelo básico de regresión lineal exige, como hipótesis básica, que
la varianza de las perturbaciones o errores aleatorios, condicional a los
valores de los regresores X, sea constante:
𝑉𝑎𝑟(𝑢𝑡 |𝑋𝑡 ) = 𝜎 2 ⁡𝑜⁡𝑉𝑎𝑟(𝑢𝑡 ) = 𝜎 2
pág. 35
MULTICOLINEALIDAD:
La hipótesis a contrastar es la siguiente:

Ho: Existe multicolinealidad.
H1: No existe multicolinealidad.
S
AUTOCORRELACIÓN:
A
C
Ho: Existe Autocorrelación ó ρ = 0.
SI
H1: No existe autocorrelación ó ρ > 0.
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
MODELOS VECTORIALES AUTOREGRESIVOS (VAR):

Supongamos k variables aleatorias Yit i = 1, 2,..., k, que son los
Y A
A
componentes del vector Yt

C
TE
𝑌𝑡 = [𝑌1𝑡 ⁡⁡⁡𝑌2𝑡 ⁡⁡…⁡⁡⁡𝑌𝑘𝑡 ]’

O
LI
La generalización de un modelo AR univariante es el Vector

IB
Autorregresivo (VAR), de orden p:

B
𝑉𝐴𝑅(𝑝):⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑦𝑡 = 𝑐 + 𝜙1 𝑦𝑡−1 + 𝜙2 𝑦𝑡−2 + ⋯ + 𝜙𝑝 𝑦𝑡−𝑝 + 𝜀𝑡
ó 𝑦𝑡 = 𝑐 + ∑𝑝𝑗=1 𝜙𝑗 𝑦𝑡−𝑗 + 𝜀𝑡
donde:
c es un vector de (kx1),
pág. 36
φj es una matriz (kxk) de coeficientes autorregresivos (j=1,

2, ..., p)
εt es un vector cuyos componentes son ruidos blancos y
cumple:
𝐸(𝜀𝑡 ) = 𝜗 1
S
A
Ω⁡⁡⁡𝑠𝑖⁡𝑡1 = 𝑡2
𝐸(𝜀𝑡1 . 𝜀𝑡2 ) = { 2
C
𝜗⁡⁡⁡𝑠𝑖⁡𝑡1 ≠ 𝑡2
SI
S FÍ
donde Ω es una matriz de (kxk), simétrica definida positiva.
C S
Denominando c1 al primer elemento del vector C, y φ(h)i,j al elemento (i,
TI IA
j) de la matriz φh, la primer fila (ecuación) del sistema corresponde a:
Á C
A
M EN
I
TE C
M DE
Y A
Esto es, un VAR es un sistema en el cual cada variable es regresada

A
C
respecto de una constante y p de sus propios lags, así como sobre p

TE
lags de cada una de las otras variables incluidas en el VAR. Obsérvese

O
que cada ecuación tiene las mismas variables explicativas.

LI
Puede parecer extraño que en la formulación del VAR no se admitan

IB
efectos contemporáneos entre las variables. Si se definiera un modelo

B
más general:
𝐵𝑦𝑡 = 𝑐 ∗ + ∑𝑝𝑗=1 𝜙𝑗∗ 𝑦𝑡−𝑗 + 𝜀𝑡∗ 3
pág. 37
es suficiente que B sea no singular para que pueda transformarse 3 en

2, premultiplicando la ecuación 3 por B-1. El modelo [3] es llamado
VAR estructural, y el 1 forma reducida.
Utilizando el operador de retardo L, 1 puede escribirse como:
S
(𝐼𝑘 − 𝜙1 𝐿 − 𝜙2 𝐿2 − ⋯ − 𝜙𝑝 𝐿𝑝 )𝑦𝑡 = 𝑐 + 𝜀𝑡
A
C
o Φ(𝐿)𝑦𝑡 = 𝑐 + 𝜀𝑡
SI
S FÍ
En este caso Φ (L) indica una matriz polinomial en el operador de
C S
retardo L, de orden (kxk).
TI IA
PRUEBA DE COINTEGRACIÓN DE JOHANSEN:
Á C
A
El método de S. Johansen considera las siguientes pruebas para
M EN
determinar el número de vectores de cointegración, r: La Prueba de la

I
Traza (Trace test) y la prueba del Máximo Valor Propio (Maximum

TE C
Eigenvalue test).
M DE
Hipótesis para las Prueba de la Traza y del Máximo Valor Propio:

Y A
A
C
H0: r = 0 No existen vectores de coint egración

TE
H1: r = 1 Existe un vector de coint egración

Reglas de Decisión:
O
LI
Rechace a Ho cuando el valor del estadístico la Traza o el Máximo

IB
Valor Propio sea mayor que el valor crítico seleccionado, normalmente

B
el de 5 %.
Acepte a Ho cuando el valor del estadístico la Traza o el Máximo Valor
Propio sea menor que el valor crítico seleccionado
Si hubiera un segundo vector de cointegración las hipótesis serían tal

como sigue:
pág. 38
H0: r ≤ 1 Cuando más existe un vector de cointegración

H1: r = 2 Existe más de un vector de cointegración
Analicen secuencialmente las hipótesis nulas (NONE; AT MOST 1; AT

MOST 2, etc.), hasta tanto se rechace H0
S
A
3.1.2.3 Procesamiento de Datos:
Los paquetes computacionales para procesar los resultados fueron:
C
Microsoft Office Excel 2010:
SI
 Separación de los datos.
S FÍ
 Arreglo para la exportación al Eview versión 6.
C S
Eview:

TI IA
Exportación de los datos desde archivo Excel.
Á C
 Evaluación de supuestos básicos y sus correcciones si fuese
A
M EN
necesario.
 Representación gráfica de la serie. Para decidir sobre la
I
TE C
estacionariedad y estacionalidad.
 Transformación previa de la serie y eliminación de la tendencia:
M DE
La observación del gráfico de la serie nos indicará la existencia o

no de tendencia.
Y A
A
 Identificación del Modelo: determinar el tipo de modelo más

C
adecuado para la serie, es decir, el orden de los procesos

TE
autorregresivos y de medias móviles de las componentes regular

O
y estacional. Técnicamente esta decisión se tomará en base a

LI
las funciones de autocorrelación y autocorrelación parcial.

IB
 Estimación de los coeficientes del Modelo.

 Contraste de validez conjunta del modelo: contraste de
B
significación de parámetros, covarianzas entre estimadores,

coeficiente de correlación, suma de cuadrados de errores, etc.
 Análisis detallado de los errores. Las diferencias históricas entre
valores reales y estimados por el modelo constituyen una fuente
de especial interés para una valoración final del modelo. Deberá
comprobarse un comportamiento no sistemático de los mismos,
pág. 39
así como analizarse la posible existencia de errores

especialmente significativos.
 Selección del modelo y predicción. En base a las etapas
anteriores se selecciona el modelo y se utilizará como forma
inicial de predicción.
S
A
3.2. ÁREA Y TIPO DE INVESTIGACIÓN
C
3.2.1. ÁREA DE INVESTIGACIÓN:
SI
Ciencia Estadística.
S FÍ
3.2.2. TIPO DE INVESTIGACIÓN:
C S
3.2.2.1. De acuerdo a la Orientación:
TI IA
Aplicada.
Á C
3.2.2.2. De acuerdo a la Técnica de Contrastación.
A
M EN
Correlacional.
3.3. DISEÑO METODOLÓGICO:

I
TE C
Diseño no experimental, longitudinal, de tendencia.

M DE
Y A
A
C
TE
O
LI
IB
B
pág. 40
CAPITULO IV: RESULTADOS Y DISCUSIÓN
4.1 RESULTADOS:
4.1.1 PRUEBA DE SUPUESTOS BÁSICOS:
TABLA N° 01: PRUEBA DE NORMALIDAD DE JARQUE-BERA PARA EL

MODELO VAR(2):
S
A
C
SI
Component Skewness Chi-sq df Prob.
S FÍ
1 -0.295373 10.07683 1 0.0015
C S
2 0.368771 15.70707 1 0.0001
3
TI IA 0.450976 23.49032 1 0.0000
Á C
A
Joint 49.27422 3 0.0000
M EN
I
TE C
Component Kurtosis Chi-sq df Prob.

M DE
1 17.81025 6333.541 1 0.0000

2 10.09017 1451.560 1 0.0000
Y A
3 7.283643 529.8445 1 0.0000

A
C
Joint 8314.945 3 0.0000

TE
O
Jarque-
LI
Component Bera Df Prob.

IB
1 6343.618 2 0.0000
B
2 1467.267 2 0.0000
3 553.3349 2 0.0000
Joint 8364.220 6 0.0000
Fuente: Salida de programa Eviews versión 6
pág. 41
TABLA N° 02: PRUEBA DE AUTOCORRELACIÓN PARA EL

MODELO VAR (2):
Lags LM-Stat Prob
S
A
1 15.66459 0.0742
C
2 23.98134 0.0043
SI
3 37.72805 0.0000
S FÍ
Probs from chi-square with 9 df.
C S
TI IA
Á C
A
M EN
TABLA N° 03: Prueba de Heterocedasticidad de White para el
Modelo VAR(2):
I
TE C
M DE
Joint test:
Chi-sq df Prob.
Y A
A
C
147.4547 72 0.0000
TE
Individual components:
O
LI
Dependent R-squared F(12,680) Prob. Chi-sq(12) Prob.

IB
res1*res1 0.026428 1.538223 0.1056 18.31441 0.1065

B
res2*res2 0.041535 2.455650 0.0039 28.78381 0.0042

res3*res3 0.041973 2.482647 0.0035 29.08697 0.0038
res2*res1 0.024086 1.398541 0.1612 16.69139 0.1616
res3*res1 0.024808 1.441570 0.1420 17.19219 0.1425
res3*res2 0.038016 2.239400 0.0090 26.34540 0.0096
Fuente: Salida de programa Eviews versión 6.
pág. 42
4.1.2 MODELOS VAR (BOX – JENKINS):
ETAPA 1: Identificación del Modelo

FASE 1: Análisis de Estacionariedad
a.) Serie temporal sin diferenciación
S
A
Figura Nº 01: Comportamiento Original de las Tasas diarias de
C
Rendimiento Spot de Bonos Soberanos del Gobierno Peruano.
SI
9
S FÍ
8
C S
7
TI IA
Á C
A
M EN
6
I
TE C
5
M DE
4
100 200 300 400 500 600
Y A
Rendimieto 05/05/15
A
C
Rendimiento 12/08/26
Rendimiento 12/08/37
TE

O
LI
IB
B
pág. 43
Figura Nº 02: AFC y PAFC de la Serie Original de las Tasas diarias de

Rendimiento Spot de Bonos Soberanos con vencimiento al 5 de Mayo del
2015
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
Fuente: Resultados obtenidos de Eviews versión 6
pág. 44

Rendimiento Spot de Bonos Soberanos con vencimiento al 12 de Agosto
del 2026
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
Fuente: Resultados obtenidos de Eviews versión 6.
pág. 45

Rendimiento Spot de Bonos Soberanos con vencimiento al 12 de Agosto
del 2037
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
Fuente: Resultados obtenidos de Eviews versión 6.
pág. 46
TABLA Nº 04: PRUEBA DE RAÍZ UNITARIA DE DICKEY – FULLER PARA

LA
SERIE ORIGINAL DE LAS TASAS DIARIAS DE RENDIMIENTO SPOT DE
BONOS SOBERANOS CON VENCIMIENTO AL 5 DE MAYO DEL 2015.
t-Statistic Prob.*
S
A
Augmented Dickey-Fuller test statistic -3.420078 0.0106
C
Test critical
SI
values: 1% level -3.439544
S FÍ
5% level -2.865488
C S
10% level -2.568929
TI IA
*MacKinnon (1996) one-sided p-values.
Á C
A
M EN
I
TE C

M DE
LA
BONOS SOBERANOS CON VENCIMIENTO AL 12 DE AGOSTO DEL 2026.
Y A
A
C
TE
t-Statistic Prob.*
O

LI
Test critical
IB

B
5% level -2.865506
10% level -2.568939
pág. 47

LA
BONOS SOBERANOS CON VENCIMIENTO AL 12 DE AGOSTO DEL 2037.
t-Statistic Prob.*
S
A
C
Test critical
SI
S FÍ
5% level -2.865506
C S
10% level -2.568939
TI IA
Á C
A
M EN
b.) Serie temporal en 2ra diferenciación

I
TE C
Figura Nº 05: Comportamiento de las Tasas diarias de Rendimiento Spot

M DE
de Bonos Soberanos del Gobierno Peruano en la segunda diferenciación.

-4
Y A
A
-5
C
TE
-6
O
-7
LI
IB
-8
B
-9
100 200 300 400 500 600
DIF2SER01
DIF2SER02
DIF2SER03
pág. 48
S
A
C
Figura Nº 06: Tasas diarias de Rendimiento Spot de Bonos Soberanos con
SI
vencimiento al 5 de Mayo del 2015 en 2da Diferenciación.
S FÍ
SER01 Residuals
C S
.6
.4
TI IA
Á C
A
M EN
.2
.0
I
TE C
-.2
M DE
-.4
Y A
-.6
A
C
100 200 300 400 500 600

TE
Fuente: SalidaSER02 Residuals

de programa Eviews versión 6.
.4
O
LI
.2
IB
.0
B
-.2
-.4
-.6
100 200 300 400 500 600
SER03 Residuals
.4
pág. 49
.2
Figura Nº 07: AFC y PAFC de las Tasas diarias de Rendimiento Spot de

Bonos Soberanos con vencimiento al 5 de Mayo del 2015 en la 2da
Diferenciación
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
pág. 50

LAS TASAS DIARIAS DE RENDIMIENTO SPOT DE BONOS SOBERANOS
CON VENCIMIENTO AL 5 DE MAYO DEL 2015 EN LA 2DA
DIFERENCIACIÓN
t-Statistic Prob.*
S
A
Augmented Dickey-Fuller
SER01 test statistic
Residuals-16.19904 0.0000
C
Test.6critical
SI
S FÍ
.4 5% level -2.865542
C S
10% level -2.568958
.2
TI IA
.0
Á C
A
M EN
-.2 Fuente: Salida de programa Eviews versión 6
I
TE C
-.4
M DE
Figura Nº 08: Tasas diarias de Rendimiento Spot de Bonos Soberanos con

-.6
vencimiento al 12 de200
100 Agosto
300del 2026
400 en500
2da Diferenciación.
600
Y A
SER02 Residuals
A
C
.4
TE
.2
O
LI
.0
IB
B
-.2
-.4
-.6
100 200 300 400 500 600
SER03
Fuente: Salida Residuals
de programa Eviews versión 6.
.4
pág. 51
.2 licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/
Para ver una copia de dicha

Bonos Soberanos con vencimiento al 12 de Agosto del 2026 en la 2da
Diferenciación
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
pág. 52
.4
.2
.0
LAS TASAS
-.2DIARIAS DE RENDIMIENTO SPOT DE BONOS SOBERANOS
CON VENCIMIENTO AL 12 DE AGOSTO DEL 2026 EN LA 2DA
-.4 DIFERENCIACIÓN
-.6
100 200 300 400 500 600
t-Statistic Prob.*
S
SER02 Residuals
A
Augmented
.4 Dickey-Fuller test statistic -19.06905 0.0000
C
Test critical
SI
values:
.2 1% level -3.439626
S FÍ
5% level -2.865524
C S
.0 10% level -2.568948
TI IA
-.2
Á C
A
M EN
-.4
I
TE C
Figura Nº 10:
-.6Tasas diarias de Rendimiento Spot de Bonos Soberanos con
M DE
100
vencimiento al 12 de200 300del 2037
Agosto 400 en500 600
2da Diferenciación.
SER03 Residuals
Y A
.4
A
C
TE
.2
O
.0
LI
IB
-.2
B
-.4
-.6
100 200 300 400 500 600
pág. 53

Bonos Soberanos con vencimiento al 12 de Agosto del 2037 en la 2da
Diferenciación
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
pág. 54

LAS TASAS DIARIAS DE RENDIMIENTO SPOT DE BONOS SOBERANOS
CON VENCIMIENTO AL 12 DE AGOSTO DEL 2037 EN LA 2DA
DIFERENCIACIÓN
t-Statistic Prob.*
S
A
C
Test critical
SI
S FÍ
5% level -2.865524
C S
10% level -2.568948
TI IA
Á C
A
M EN
I
TE C
TABLA N°10: Prueba de Cointegración de Johansen para las series del

M DE
VAR (2)
Y A
Hypothesize
A
C
d Trace 0.05
TE
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

O
None * 0.039229 44.24549 42.91525 0.0366

LI
At most 1 0.013837 16.55195 25.87211 0.4490

IB
At most 2 0.009936 6.910067 12.51798 0.3540

B
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
pág. 55
Tabla Nº 11: Análisis de los Diferentes Errores Estándar de Estimación

(E.E.E), de los Criterios de Akaike y Schwarz
SER01 SER02 SER03
R-squared 0.993359 0.987183 0.988324

Adj. R-squared 0.993301 0.987071 0.988222
S
Sum sq. Resids 2.285358 1.769179 1.892166
A
S.E. equation 0.057719 0.050784 0.052519
C
F-statistic 17102.72 8806.450 9678.067
SI
Log likelihood 996.7524 1085.459 1062.172
S FÍ
Akaike AIC -2.856428 -3.112435 -3.045228
Schwarz SC -2.810559 -3.066566 -2.999359
C S
TI IA
Mean dependent 4.912099 6.545842 6.685303
S.D. dependent 0.705208 0.446630 0.483932
Á C
A
M EN
I
TE C
ETAPA 2: Estimación de Parámetros

M DE
Tabla Nº 12: Análisis de Varianza para el Modelo VAR (2) de las Tasas
Y A
A
diarias de Rendimiento Spot de Bonos Soberanos del Gobierno Peruano.

C
TE
SER01 SER02 SER03

O
LI
SER01(-1) 0.911724 0.098109 0.041734

IB
(0.04249) (0.03738) (0.03866)

[ 21.4575] [ 2.62431] [ 1.07946]
B
SER01(-2) 0.064054 -0.096286 -0.043234

(0.04191) (0.03687) (0.03813)
[ 1.52837] [-2.61120] [-1.13371]
SER02(-1) 0.221190 0.933358 0.191120
pág. 56
(0.06593) (0.05800) (0.05999)

[ 3.35517] [ 16.0912] [ 3.18606]
SER02(-2) -0.194900 0.056125 -0.168651

(0.06602) (0.05809) (0.06008)
[-2.95201] [ 0.96617] [-2.80734]
S
A
SER03(-1) -0.042964 0.153026 0.928652
C
(0.06323) (0.05563) (0.05753)
SI
[-0.67953] [ 2.75084] [ 16.1421]
S FÍ
SER03(-2) 0.042632 -0.155466 0.045434
C S
TI IA
(0.06310) (0.05552) (0.05741)
[ 0.67566] [-2.80042] [ 0.79136]
Á C
A
M EN
C -0.054889 0.075124 0.032821

I
(0.04223) (0.03715) (0.03842)

TE C
[-1.29987] [ 2.02200] [ 0.85422]

M DE
Determinant resid covariance

(dof adj.) 8.05E-09
Y A
A
Determinant resid covariance 7.81E-09

C
Log likelihood 3518.404

TE
Akaike information criterion -10.09352

O
Schwarz criterion -9.955910

LI

IB
B
Estimación del modelo VAR (2):
El modelo VAR(2) estimado tiene la siguiente forma:
SER01 = C(1,1)*SER01(-1) + C(1,2)*SER01(-2) + C(1,3)*SER02(-1) +

C(1,4)*SER02(-2) + C(1,5)*SER03(-1) + C(1,6)*SER03(-2) + C(1,7)
pág. 57

C(2,4)*SER02(-2) + C(2,5)*SER03(-1) + C(2,6)*SER03(-2) + C(2,7)

C(3,4)*SER02(-2) + C(3,5)*SER03(-1) + C(3,6)*SER03(-2) + C(3,7)
S
A
Reemplazando los datos obtenemos:
C
SI
SER01 = 0.911724156554*SER01(-1) + 0.0640536274213*SER01(-2) +
S FÍ
0.221189915528*SER02(-1) - 0.194899524638*SER02(-2) -
0.0429637415452*SER03(-1) + 0.0426318529443*SER03(-2) -
C S
TI IA
0.0548891371956Á C
A
SER02 = 0.0981088271898*SER01(-1) - 0.0962863018585*SER01(-2) +
M EN
0.933358408775*SER02(-1) + 0.0561247356621*SER02(-2) +
I
0.153025808579*SER03(-1) - 0.15546618703*SER03(-2) +
TE C
0.0751235375087
M DE
SER03 = 0.0417344728586*SER01(-1) - 0.0432335010554*SER01(-2) +

Y A
0.19112018575*SER02(-1) - 0.168651422863*SER02(-2) +
A
C
0.928651807912*SER03(-1) + 0.0454341303391*SER03(-2) +
TE
0.0328214402768
O
LI
IB
B
pág. 58
ETAPA 3: Verificación del Modelo y prueba de su adecuación
Figura Nº12: Correlogramas de residuales
S
A
C
SI
Autocorrelations with 2 Std.Err. Bounds
Cor(SER01,SER01(-i)) Cor(SER01,SER02(-i)) Cor(SER01,SER03(-i))
S FÍ
.2 .2 .2
.1 .1 .1
C S
.0 .0 .0
-.1
TI IA -.1 -.1
Á C
A
-.2 -.2 -.2
2 4 6 8 10 12 2 4 6 8 10 12 2 4 6 8 10 12
M EN
.2 .2 .2
I
TE C
.1 .1 .1
.0 .0 .0
M DE
-.1 -.1 -.1
-.2 -.2 -.2

Y A
2 4 6 8 10 12 2 4 6 8 10 12 2 4 6 8 10 12
A

C
.2 .2 .2
TE
.1 .1 .1
.0 .0 .0
O
-.1 -.1 -.1

LI
-.2 -.2 -.2

IB
2 4 6 8 10 12 2 4 6 8 10 12 2 4 6 8 10 12

B
pág. 59
Figura Nº 13: Comportamiento de los Pronóstico de las Tasas diarias de

Rendimiento Spot de Bonos Soberanos del Gobierno Peruano.
Response to Cholesky One S.D. Innovations ± 2 S.E.

Response of SER01 to SER01 Response of SER01 to SER02 Response of SER01 to SER03
.08 .08 .08
.06 .06 .06
.04 .04 .04
S
.02 .02 .02
A
.00 .00 .00
-.02 -.02 -.02
C
-.04 -.04 -.04
10 20 30 40 50 60 10 20 30 40 50 60 10 20 30 40 50 60
SI
.06 .06 .06
S FÍ
.04 .04 .04
.02 .02 .02
C S
.00 .00 .00
-.02
TI IA -.02 -.02
-.04
Á C -.04 -.04
A
10 20 30 40 50 60 10 20 30 40 50 60 10 20 30 40 50 60
M EN
.06 .06 .06
I
.04 .04 .04

TE C
.02 .02 .02

M DE
.00 .00 .00
-.02 -.02 -.02

10 20 30 40 50 60 10 20 30 40 50 60 10 20 30 40 50 60
Y A
A

C
TE
4.2 DISCUSIÓN:
O
Después de presentar los resultados en la presente investigación, pasamos a

LI
realizar la discusión de los mismos:

IB
B
En la TABLA Nº 01 se presenta la prueba de Jarque Bera el cual evalúa la

normalidad para las variables: Tasa diaria de Rendimiento Spot de Bonos
Soberanos con vencimiento al 5 de Mayo del 2015(Componente 1), Tasa diaria
de Rendimiento Spot de Bonos Soberanos con vencimiento al 12 de Agosto del
2026(Componente 2) y Tasa diaria de Rendimiento Spot de Bonos Soberanos
con vencimiento al 12 de Agosto del 2037(Componente 3); se observó que su
valor de significancia es menor al 1%, el cual nos lleva a concluir que las
pág. 60
variables no sigue una distribución normal, realizando las transformaciones de

variables tampoco se ajustaban a una distribución normal, por lo tanto estas
variables no es adecuada para hallar un modelo de pronóstico mediante
regresión lineal, por lo que se recurre a utilizar otros modelos como el VAR.
En la TABLA Nº 02 se presenta la prueba del Multiplicador de Lagrange el cual
S
evalúa la Autocorrelación para el modelo VAR(2), se observó que el estadístico
A
LM para el primer rezago es de 15.66 con un p-valor de 0.0742 no significativo,
C
por lo que concluimos que no existe Multicolinealidad; mientras que para los
SI
rezagos 2 y 3 hay presencia de Autocorrelación.
S FÍ
En la TABLA Nº 03 se presenta la prueba de Heterocedasticidad de White para
C S
TI IA
los errores de los componentes individuales y conjunto, se observa que sus
valores de R2 del modelo auxiliar son muy pequeños que al multiplicarlo por n
Á C
A
nos da un resultado mucho mayor, el cual hace que rechacemos la hipótesis de
M EN
nulidad por lo que concluimos que los errores son homocedásticos. Por otro
I
lado la prueba conjunta nos da un p-valor altamente significativo el cual nos

TE C
ayuda a sustentar lo antes dicho.

M DE
La Figura Nº 01 de la serie original de la variable Tasa diaria de

Y A
Rendimiento Spot de Bonos Soberanos del Gobierno Peruano muestra la no

A
C
presenta ciclicidad con una tendencia decreciente, en las figuras N° 02, 03 y

TE
04 muestran las graficas de autocorrelaciones y autocorrelaciones parciales

para las tres series estudiadas el cual indican que los coeficientes de
O
autocorrelación se aproximan gradualmente a 0, a la vez que los coeficientes

LI
de autocorrelación parcial caen a cero después del primer retraso de tiempo.

IB
Por lo tanto al analizar gráficamente las series hay evidencia de no

B
estacionariedad. Para corroborar realizaremos Prueba de Raíz Unitaria de

Dickey Fuller TABLAS Nº 04, 05 y 06 para cada una de las series, el valor
absoluto de “t” (ItI = -3.4201) es mayor que los valores críticos del test de
mackinnon (5% = -2.8665, 10% = -2.5689), concluyendo que la serie 01 es
estacionaria, sin embargo al 1% no es estacionaria ya que el valor de t es
menor (1% = -3.4395) por lo cual se realizo dos diferenciaciones para
solucionar dicho problema. En la serie 02 el valor absoluto de “t” (ItI = -2.5351)
pág. 61
es menor que los valores críticos del test de mackinnon (1% = -3.4396, 5% = -
2.8655, 10% = -2.5689), concluyendo que la serie no es estacionaria por lo cual
se realizo dos diferenciaciones para solucionar dicho problema. En la serie 03
el valor absoluto de “t” (ItI = -2.3190) es menor que los valores críticos del test
de mackinnon (1% = -3.4396, 5% = -2.8655, 10% = -2.5689), concluyendo que
la serie no es estacionaria por lo cual se realizo dos diferenciaciones para
S
solucionar dicho problema.
A
C
Al realizar la primera diferencia para las serie (gráficos de los anexos Nº 01, 02,
SI
05 y 08) la serie se vuelve estacionaria, sin la presencia de alguna tendencia,
S FÍ
en los gráfico de autocorrelaciones y autocorrelaciones parciales (anexos 03,
06 y 09) se observa que ambos coeficientes recaen en 0 al inicio, la Prueba de
C S
TI IA
Raíz Unitaria de Dickey Fuller para las series (anexos: 04, 07 y 10), los valor
absoluto de “t”ItI excede a los valores críticos del test de mackinnon,
Á C
A
concluyendo que la serie es estacionaria con un rezago (d=1). Pero al realizar
M EN
la Prueba de Cointegración de Johasen (TABLA N° 10) para las series se

I
observa que existe al menos una cointegración, es decir que existe causalidad
TE C
(r ≤ 1) por lo que se tuvo que realizar un segundo rezado a las series para
M DE
evitar errores de especificación (k > r)

Y A
Obtenida la serie estacionaria, Figuras Nº 06, 07, 08, 09, 10 y 11 y las TABLAS
A
C
N° 07, 08 y 09, el siguiente paso fue obtener el mejor modelo de pronóstico. Al

TE
obtener el numero de rezagos (k = 2) y verificar que existe cointegración entre

las series (r ≤ 2); se obtiene el modelo VAR(2) para lo cual se obtuvo la
O
TABLA Nº 11, en el que se realizó una comparación de los diferentes errores

LI
estándares de estimación así como los resultados de Akaike y Schwarz entre

IB
cada serie. El que tiene el error estándar de estimación (EEE) más pequeño es
B
la serie02, a su vez los valores más pequeños que muestran los criterios de
Akaike y Schwarz es la serie01. Vale recalcar que el coeficiente de Schwarz es
utilizado en la teoría bayesiana.
Los resultados de análisis de varianza (ANVA) de la TABLA Nº 12 se puede ver

que los diferentes coeficientes del modelo son estadísticamente significativos
pág. 62
(p<0.05), por lo que se puede concluir que el modelo de pronóstico es

adecuado bajo el criterio de selección según la parsimonia del modelo.
En la Figura Nº 12 de autocorrelaciones de los residuos para el modelo VAR (2)

en la cual se corroboran que estas correlaciones tienden a cero, es decir los
errores son independientes por lo tanto el modelo VAR(2) es adecuado, que
S
tiene la siguiente forma:
A
C
SER01 = 0.911724156554*SER01(-1) + 0.0640536274213*SER01(-2) +
SI
0.221189915528*SER02(-1) - 0.194899524638*SER02(-2) -
S FÍ
0.0429637415452*SER03(-1) + 0.0426318529443*SER03(-2) -
0.0548891371956
C S
TI IA
SER02 = 0.0981088271898*SER01(-1) - 0.0962863018585*SER01(-2) +
0.933358408775*SER02(-1) + 0.0561247356621*SER02(-2) +
Á C
A
0.153025808579*SER03(-1) - 0.15546618703*SER03(-2) +
M EN
0.0751235375087
I
SER03 = 0.0417344728586*SER01(-1) - 0.0432335010554*SER01(-2) +

TE C
0.19112018575*SER02(-1) - 0.168651422863*SER02(-2) +
M DE
0.928651807912*SER03(-1) + 0.0454341303391*SER03(-2) +
0.0328214402768
Y A
A
C
En la tabla del Anexo 11 se analizaron los errores de pronósticos para 60 días,

TE
además, se muestra la Figura Nº 13, donde se corrobora que el

Comportamiento real de las diferencias y el comportamiento pronosticado de
O
las mismas bajo el modelo VAR (2) se encuentra dentro de los limites
LI
confidénciales.
IB
B
Por tanto los Modelos de Vectores Autorregresivos (VAR) es un método que se

pueden utilizar para predecir el comportamiento de la curva de rendimiento. Sin
embargo, parece que el modelo VAR (2) no es el único que puede modelar el
comportamiento de los datos de las Tasas diarias de Rendimiento Spot de
Bonos Soberanos del Gobierno Peruano, ya que existen otros métodos de
estimación, como Redes Neuronales Artificiales.
pág. 63
CAPITULO V: CONCLUSIONES Y RECOMENDACIONES
5.1 CONCLUSIONES:
Luego de haber presentado la discusión de los resultados establecemos las

siguientes conclusiones:
S
A
C
1. Las Tasas diarias de Rendimiento Spot de Bonos Soberanos del
SI
Gobierno Peruano no sigue una distribución normal, pero cumple con
los supuestos de no multicolinealidad y homocedasticidad, necesarios
S FÍ
para la estimación de modelos VAR.
C S
TI IA
2. El modelo de pronóstico VAR mediante la metodología de Box –
Á C
Jenkins que más se adecua a las Tasas diarias de Rendimiento Spot
A
M EN
de Bonos Soberanos del Gobierno Peruano es un modelo VAR (2) de
la forma:
I
TE C
SER01 = 0.911724156554*SER01(-1) + 0.0640536274213*SER01(-2)

M DE
+ 0.221189915528*SER02(-1) - 0.194899524638*SER02(-2) -
0.0429637415452*SER03(-1) + 0.0426318529443*SER03(-2) -
Y A
A
0.0548891371956
C
TE
SER02 = 0.0981088271898*SER01(-1) - 0.0962863018585*SER01(-

O
2) + 0.933358408775*SER02(-1) + 0.0561247356621*SER02(-2) +
LI
0.153025808579*SER03(-1) - 0.15546618703*SER03(-2) +
0.0751235375087
IB
B
SER03 = 0.0417344728586*SER01(-1) - 0.0432335010554*SER01(-

2) + 0.19112018575*SER02(-1) - 0.168651422863*SER02(-2) +
0.928651807912*SER03(-1) + 0.0454341303391*SER03(-2) +
0.0328214402768
pág. 64
5.2 RECOMENDACIONES
Después de haber cumplido con los objetivos compuestos en el presente

trabajo de investigación, se ha creído conveniente las siguientes
recomendaciones:
S
1. Se sugiere considerar el modelo más avanzado de los modelos de la
A
curva de rendimiento, tales como el método ampliado con la
C
incorporación de las variables financieras y macroeconómicas en el
SI
modelo.
S FÍ
2. Realizar nuevamente la investigación utilizando el programa R para el
C S
modelo de redes neuronales artificiales y probar otras opciones que
TI IA
posee el programa Eviews.
Á C
A
M EN
3. Realizar la investigación utilizando otras metodologías, como Redes

I
Neuronales Artificiales y comparar los resultados con los encontrados en

TE C
esta tesis.
M DE
Y A
A
C
TE
O
LI
IB
B
pág. 65
REFERENCIAS BIBLIOGRÁFICAS Y ANEXO
REFERENCIAS BIBLIOGRÁFICAS:
Alfaro, A. (2009). LA CURVA DE RENDIMIENTO BAJO NELSON-SIEGEL.
S
Banco Central de Chile, Documentos de Trabajo, N° 531, paginas 1-24.
A
Álvarez, M.; Ramírez, A. y Rendón, A. (2010). La curva de rendimientos como
C
un indicador adelantado de la actividad económica, el caso colombiano:
SI
Período 2001-2009. Ecos de Economía, Universidad EAFIT, volumen 14,
S FÍ
N° 31, paginas 36-63.
Alvarez, P.; Crespo, A.; Nuñez, F. y Usabiaga, C. (2006). Introducción de
C S
elementos autorregresivos en modelos de dinámica de sistemas. Revista
TI IA
de Dinámica de Sistemas, Vol. 2 Núm. 1, p. 37-66.
Á C
Asociación de Bancos del Perú. (2012). LA CONTRIBUCION DE LA BANCA A
A
M EN
LA ECONOMIA DEL PAIS. Asbanc Semanal, número 38, paginas 1-4. (3)
Ballabriga, F. (1991). INSTRUMENTACIÓN DE LA METODOLOGÍA VAR.
I
TE C
Banco de España, Documento de Trabajo n° 9108, paginas 1-36).

Chacon, R. (2003). CONSTRUCCION DE LA CURVA CUPON CERO.CASO
M DE
COLOMBIANO. I SIMPOSIO DE DOCENTES DE FINANZAS. Volumen I,

paginas 1-21.
Y A
A
Cuba, E.; Jiménez, E. y Zuloeta, J. (2012). La Investigación Económica y Social

C
en el Perú 2007-2011. Consorcio de Investigación Económica y Social

TE
(CIES), paginas 1-27.

O
De Arce, R. y Mahía, R. (2009). CONCEPTOS BÁSICOS SOBRE LA

LI
HETEROCEDASTICIDAD EN EL MODELO BÁSICO DE REGRESIÓN

IB
LINEAL TRATAMIENTO CON E-VIEWS. Universidad Autónoma de

Madrid, Dpto. de Economía Aplicada, versión revisada, paginas 1-20.
B
Fondo Monetario Internacional (FMI). (2012). PERSPECTIVAS DE LA

ECONOMÍA MUNDIAL. División de Servicios Multimedia del FMI, paginas
i-254.
Jaramillo, M. (2012). Impacto de la Política Monetaria y la Actividad Económica
en el Mercado Accionario en Colombia. Universidad ICESI, Facultad de
Ciencias Administrativas y Económicas, Maestría en Finanzas (pag. 1-71).
pág. 66
Julio, J.; Mera, S. y Héraut, A. (2002). La curva Spot (Cero Cupón) Estimacion
con splines cúbicos suavizados, usos y ejemplos. Departamento de
Investigaciones, Subgerencia Monetaria y de Reservas del Banco de la
República Colombiana, paginas 1-38.
Londoño, W. (2005). MODELOS DE ECUACIONES MÚLTIPLES MODELOS
VAR Y COINTEGRACIÓN. UNIVERSIDAD EAFIT, Departamento de
S
Ciencias Básicas, Maestría en Matemáticas Aplicadas, (paginas 83-108).
A
Mauricio, J. (2007). Introducción al Análisis de Series Temporales. Modelos
C
Multivariantes No Estacionarios (paginas 201-286). Madrid: Universidad
SI
Computlense de Madrid.
S FÍ
Melo, L. (1996). PRONOSTICOS CONDICIONADOS PARA MODELOS VAR.
Borradores Semanales de Economía, numero 62, paginas 1-23.
C S
TI IA
Mercado de Valores de Buenos Aires S. A. (1998). ANALISIS DE BONOS
ASPECTOS METODOLOGICOS. Sumario Estadístico, número 987,
Á C
A
segunda edición, paginas 7-127.
M EN
Novales, A. (2011). Modelos vectoriales autoregresivos (VAR). Universidad

I
Complutense, paginas 1-26.

TE C
Ospina, F. y Giraldo, D. (2009). Aplicación de los modelos garch a la

M DE
estimacion del VaR de acciones colombianas*. Revista Soluciones de

Postgrado EIA, Número 3, paginas 11-24.
Y A
Paredes, A. (2010). DIVERSAS METODOLOGÍAS PARA EVALUAR BONOS

A
C
CUPÓN CERO. Instituto Politécnico Nacional, Escuela Superior de

TE
Economía, Sección de Estudios de Posgrado e Investigación. México, D.

F.
O
Pereda, J. (2009). Estimación de la Curva de Rendimiento Cupón Cero para el

LI
Perú. Revista Estudios Económicos. Volumen 4, número 17, páginas 112-

IB
145. (1)
B
Place, J. (2005). ENSAYOS Análisis básico de bonos. CENTRO DE

ESTUDIOS MONETARIOS LATINOAMERICANOS, paginas 1-61.
Pulido, A. y Pérez J. (2004). Modelos econométricos. GUÍA PARA LA
ELABORACIÓN DE MODELOS ECONOMÉTRICOS CON EVIEWS
(paginas 149-198). Madrid: Ediciones Piramide.
Reyes, V. (2011). ESTRUCTURA DE TASAS CERO CUPÓN: TÍTULOS
PÚBLICOS DEL MINISTERIO DE HACIENDA DE LA REPÚBLICA
pág. 67
DOMINICANA. UNIDAD ASESORA DE ANÁLISIS ECONÓMICO Y

SOCIAL MINISTERIO DE ECONOMÍA, PLANIFICACIÓN Y
DESARROLLO, Texto de Discusión N° 19, paginas 1-11.
Rodríguez, A. y Villavicencio, J. (2005). LA CURVA DE RENDIMIENTO EN
NUEVOS SOLES EN PERÚ. Departamento de Economía de la Pontificia
Universidad Católica del Perú. Volumen 239, paginas 1-32. (3)
S
Rosadi, D.; Nugraha, Y. y Dewi, R. (2011). Forecasting the Indonesian
A
Government Securities Yield Curve using Neural Networks and Vector
C
Autoregressive Model. 58th World Statistics Congress, Dublin 2011 (ISI),
SI
paginas 1-6.
S FÍ
Santana J. (2008). LA CURVA DE RENDIMIENTO: UNA REVISIÓN
METODOLÓGICA Y NUEVAS APROXIMACIONES DE ESTIMACIÓN.
C S
TI IA
Cuaderno de Economía. Volumen 27, número 48, paginas 1-43.
Superintendencia de Banca, Seguros y AFP. (2010). INSTRUMENTOS DE
Á C
A
DEUDA: Manual Metodológico y de Procedimientos. DEPARTAMENTO
M EN
DE VALORIZACIÓN DE INVERSIONES, SUPERINTENDENCIA

I
ADJUNTA DE RIESGOS, paginas 1-26.

TE C
Svenson, L. (1995). Estimating Forward Interest Rates with the Extended

M DE
Nelson & Siegel Method. PENNING & VALUTAPOLITIK. Volume 3,

paginas 13-26.
Y A
Trujillo, G. (2010). La Metodología del Vector Autorregresivo: Presentación y

A
C
Algunas Aplicaciones. Scientia, volumen 2, numero 2, paginas 103-108.

TE
O
LI
IB
B
pág. 68
REFERENCIAS LINKOGRÁFICAS:
 http://www.bcrp.gob.pe/.
 http://www.bvl.com.pe/.
 http://www.bloomberg.com/markets/rates-bonds/corporate-bonds/.
 http://www.amstat.org/.
S
 http://www.isi-web.org/.
A
 http://www.datatec.com.pe/modulos.php.
C
 http://databank.worldbank.org/ddp/editReport?REQUEST_SOURCE=searc
SI
h&CNO=2&country=&series=NY.GNP.PCAP.CD&period.
S FÍ
 http://datos.bancomundial.org/catalogo-de-datos.
C S
 http://www.sbs.gob.pe/0/modulos/JER/JER_Interna.aspx?ARE=0&PFL=1&
TI IA
JER=821.
 http://www.hacienda.cl/fondos-soberanos/acerca-de-los-fondos-
Á C
A
soberanos.html.
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
pág. 69
ANEXOS:
ANEXO 01: COMPORTAMIENTO DE LAS TASAS DIARIAS DE

RENDIMIENTO SPOT DE BONOS SOBERANOS DEL GOBIERNO
PERUANO EN LA PRIMERA DIFERENCIACIÓN.
.6
S
A
.4
C
.2
SI
S FÍ
.0
C S
-.2
-.4
TI IA
Á C
A
M EN
-.6
100 200 300 400 500 600
I
DIFSER01 DIFSER02 DIFSER03

TE C

M DE
ANEXO 02: TASAS DIARIAS DE RENDIMIENTO SPOT DE BONOS

Y A
SOBERANOS CON VENCIMIENTO AL 5 DE MAYO DEL 2015 EN 1RA

A
C
DIFERENCIACIÓN.
DIFSPOT2015
TE
.6
O
.4
LI
.2
IB
.0
B
-.2
-.4
-.6
100 200 300 400 500 600
pág. 70
ANEXO 03: AFC Y PAFC DE LAS TASAS DIARIAS DE RENDIMIENTO

SPOT DE BONOS SOBERANOS CON VENCIMIENTO AL 5 DE MAYO DEL
2015 EN LA 1RA DIFERENCIACIÓN
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
pág. 71
ANEXO 04: PRUEBA DE RAÍZ UNITARIA DE DICKEY – FULLER PARA LAS

TASAS DIARIAS DE RENDIMIENTO SPOT DE BONOS SOBERANOS CON
VENCIMIENTO AL 5 DE MAYO DEL 2015 EN LA 1RA DIFERENCIACIÓN
t-Statistic Prob.*
S
A
C
Test critical
SI
S FÍ
5% level -2.865506
C S
10% level -2.568939
TI IA
Á C
A
M EN

I
TE C
SOBERANOS CON VENCIMIENTO AL 12 DE AGOSTO DEL 2026 EN 1RA

M DE
DIFERENCIACIÓN.
DIFSER02
Y A
.4
A
C
.3
TE
.2
O
.1
LI
.0
IB
-.1
-.2
B
-.3
-.4
-.5
100 200 300 400 500 600
pág. 72

SPOT DE BONOS SOBERANOS CON VENCIMIENTO AL 12 DE AGOSTO
DEL 2026 EN LA 1RA DIFERENCIACIÓN
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
pág. 73
ANEXO 07: PRUEBA DE RAÍZ UNITARIA DE DICKEY – FULLER PARA LAS

VENCIMIENTO AL 12 DE AGOSTO DEL 2026 EN LA 1RA
DIFERENCIACIÓN
t-Statistic Prob.*
S
A
C
Test critical
SI
S FÍ
5% level -2.865506
C S
10% level -2.568939
TI IA
Á C
A
M EN

I
TE C
SOBERANOS CON VENCIMIENTO AL 12 DE AGOSTO DEL 2037 EN 1RA

M DE
DIFERENCIACIÓN.
DIFSER03
Y A
.4
A
C
.3
TE
.2
O
.1
LI
.0
IB
-.1
-.2
B
-.3
-.4
-.5
100 200 300 400 500 600
pág. 74

SPOT DE BONOS SOBERANOS CON VENCIMIENTO AL 12 DE AGOSTO
DEL 2026 EN LA 1RA DIFERENCIACIÓN
S
A
C
SI
S FÍ
C S
TI IA
Á C
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
pág. 75
ANEXO10: PRUEBA DE RAÍZ UNITARIA DE DICKEY – FULLER PARA LAS

VENCIMIENTO AL 12 DE AGOSTO DEL 2037 EN LA 1RA
DIFERENCIACIÓN
t-Statistic Prob.*
S
A
C
Test critical
SI
S FÍ
5% level -2.865506
C S
10% level -2.568939
TI IA
Á C
A
M EN
ANEXO 11: ANÁLISIS DE SENSIBILIDAD A LA ORDENACIÓN DE LAS

I
TE C
SERIES DEL VAR. DESCOMPOSICIÓN DE LA VARIANZA DEL VAR (2)

M DE
PARA 60 DÍAS.
Y A
Variance Decomposition of SER01:

A
C
Perio
TE
d S.E. SER01 SER02 SER03

O
1 0.057719 100.0000 0.000000 0.000000

LI
2 0.081404 98.85210 1.115277 0.032627

IB
3 0.100046 98.38967 1.588650 0.021679

4 0.115487 97.97653 2.006665 0.016807
B
5 0.128917 97.61674 2.369725 0.013536

6 0.140899 97.27057 2.718095 0.011336
7 0.151785 96.92988 3.060337 0.009782
8 0.161802 96.58880 3.402531 0.008669
9 0.171107 96.24498 3.747140 0.007878
10 0.179815 95.89721 4.095464 0.007330
pág. 76
11 0.188014 95.54501 4.448024 0.006970

12 0.195770 95.18830 4.804942 0.006759
13 0.203138 94.82723 5.166100 0.006666
14 0.210160 94.46210 5.531238 0.006665
15 0.216873 94.09325 5.900014 0.006738
16 0.223307 93.72110 6.272035 0.006868
S
17 0.229487 93.34607 6.646886 0.007041
A
18 0.235435 92.96862 7.024137 0.007246
C
19 0.241170 92.58917 7.403362 0.007472
SI
20 0.246707 92.20815 7.784138 0.007711
S FÍ
21 0.252062 91.82599 8.166056 0.007955
22 0.257246 91.44308 8.548718 0.008200
C S
TI IA
23 0.262270 91.05982 8.931743 0.008440
24 0.267145 90.67656 9.314767 0.008670
Á C
A
25 0.271879 90.29367 9.697443 0.008887
M EN
26 0.276481 89.91147 10.07944 0.009089

I
27 0.280956 89.53027 10.46046 0.009273

TE C
28 0.285313 89.15037 10.84019 0.009438

M DE
29 0.289556 88.77204 11.21838 0.009581

30 0.293691 88.39555 11.59475 0.009704
Y A
31 0.297723 88.02112 11.96907 0.009804

A
C
32 0.301656 87.64899 12.34112 0.009882

TE
33 0.305495 87.27937 12.71069 0.009939

34 0.309243 86.91244 13.07759 0.009975
O
35 0.312904 86.54838 13.44163 0.009990

LI
36 0.316481 86.18735 13.80266 0.009985

IB
37 0.319977 85.82952 14.16052 0.009961

B
38 0.323395 85.47501 14.51507 0.009921

39 0.326738 85.12394 14.86620 0.009864
40 0.330007 84.77644 15.21377 0.009792
41 0.333206 84.43260 15.55769 0.009708
42 0.336337 84.09252 15.89787 0.009612
43 0.339401 83.75627 16.23422 0.009506
pág. 77
44 0.342401 83.42394 16.56667 0.009392

45 0.345338 83.09558 16.89515 0.009272
46 0.348215 82.77125 17.21960 0.009147
47 0.351032 82.45101 17.53998 0.009018
48 0.353791 82.13488 17.85623 0.008889
49 0.356494 81.82291 18.16833 0.008760
S
50 0.359142 81.51512 18.47625 0.008633
A
51 0.361736 81.21154 18.77996 0.008509
C
52 0.364278 80.91217 19.07944 0.008391
SI
53 0.366770 80.61704 19.37468 0.008280
S FÍ
54 0.369211 80.32615 19.66568 0.008178
55 0.371604 80.03949 19.95242 0.008086
C S
TI IA
56 0.373949 79.75707 20.23493 0.008005
57 0.376247 79.47888 20.51318 0.007936
Á C
A
58 0.378500 79.20491 20.78721 0.007883
M EN
59 0.380708 78.93514 21.05702 0.007844

I
60 0.382873 78.66956 21.32262 0.007822

TE C

M DE
Perio
Y A
A
C
1 0.050784 19.98222 80.01778 0.000000

TE
2 0.075988 24.59739 74.92760 0.475007

3 0.095226 25.66166 73.83323 0.505115
O
4 0.110938 26.23622 73.23537 0.528403

LI
5 0.124433 26.54090 72.93008 0.529013

IB
6 0.136355 26.73301 72.74378 0.523212

B
7 0.147092 26.85929 72.62737 0.513342

8 0.156889 26.94644 72.55208 0.501479
9 0.165918 27.00794 72.50353 0.488526
10 0.174300 27.05193 72.47302 0.475051
11 0.182128 27.08344 72.45517 0.461394
12 0.189474 27.10579 72.44644 0.447772
pág. 78
13 0.196394 27.12124 72.44443 0.434327

14 0.202935 27.13141 72.44743 0.421156
15 0.209135 27.13746 72.45422 0.408323
16 0.215026 27.14025 72.46387 0.395872
17 0.220634 27.14045 72.47572 0.383833
18 0.225985 27.13855 72.48922 0.372224
S
19 0.231096 27.13496 72.50398 0.361057
A
20 0.235987 27.12999 72.51967 0.350339
C
21 0.240672 27.12389 72.53604 0.340071
SI
22 0.245166 27.11687 72.55287 0.330251
S FÍ
23 0.249480 27.10910 72.57002 0.320878
24 0.253627 27.10072 72.58734 0.311946
C S
TI IA
25 0.257614 27.09183 72.60472 0.303448
26 0.261453 27.08254 72.62208 0.295377
Á C
A
27 0.265150 27.07293 72.63935 0.287725
M EN
28 0.268714 27.06306 72.65645 0.280483

I
29 0.272152 27.05300 72.67336 0.273642

TE C
30 0.275468 27.04280 72.69001 0.267192

M DE
31 0.278671 27.03248 72.70639 0.261125

32 0.281764 27.02211 72.72246 0.255429
Y A
33 0.284753 27.01169 72.73821 0.250096

A
C
34 0.287643 27.00127 72.75362 0.245115

TE
35 0.290437 26.99086 72.76866 0.240476

36 0.293141 26.98049 72.78334 0.236170
O
37 0.295757 26.97016 72.79765 0.232187

LI
38 0.298290 26.95991 72.81157 0.228517

IB
39 0.300743 26.94973 72.82511 0.225151

B
40 0.303118 26.93965 72.83827 0.222079

41 0.305420 26.92967 72.85104 0.219292
42 0.307650 26.91980 72.86342 0.216781
43 0.309812 26.91004 72.87542 0.214537
44 0.311908 26.90041 72.88704 0.212551
45 0.313940 26.89090 72.89828 0.210815
pág. 79
46 0.315911 26.88153 72.90915 0.209319

47 0.317823 26.87229 72.91965 0.208056
48 0.319677 26.86319 72.92979 0.207017
49 0.321477 26.85424 72.93957 0.206195
50 0.323223 26.84543 72.94899 0.205582
51 0.324919 26.83676 72.95807 0.205169
S
52 0.326564 26.82824 72.96681 0.204950
A
53 0.328161 26.81986 72.97522 0.204918
C
54 0.329712 26.81164 72.98330 0.205064
SI
55 0.331218 26.80356 72.99106 0.205383
S FÍ
56 0.332681 26.79563 72.99851 0.205866
57 0.334102 26.78784 73.00565 0.206509
C S
TI IA
58 0.335481 26.78021 73.01249 0.207304
59 0.336822 26.77271 73.01904 0.208244
Á C
A
60 0.338124 26.76537 73.02531 0.209324
M EN

I
TE C
Perio
M DE
1 0.052519 16.16889 41.36671 42.46440

Y A
2 0.077892 18.80227 45.24416 35.95357

A
C
3 0.097339 19.86620 46.29758 33.83622

TE
4 0.113317 20.38276 47.08631 32.53093

5 0.127101 20.70089 47.68188 31.61723
O
6 0.139331 20.91687 48.19933 30.88380

LI
7 0.150389 21.07660 48.66605 30.25735

IB
8 0.160519 21.20120 49.09991 29.69889

B
9 0.169890 21.30245 49.50958 29.18797

10 0.178624 21.38723 49.90045 28.71232
11 0.186811 21.45990 50.27588 28.26422
12 0.194523 21.52331 50.63813 27.83856
13 0.201816 21.57947 50.98877 27.43176
14 0.208736 21.62977 51.32897 27.04126
pág. 80
15 0.215320 21.67527 51.65957 26.66517

16 0.221600 21.71673 51.98126 26.30202
17 0.227602 21.75477 52.29456 25.95067
18 0.233350 21.78985 52.59992 25.61023
19 0.238862 21.82236 52.89770 25.27995
20 0.244157 21.85259 53.18821 24.95920
S
21 0.249249 21.88081 53.47173 24.64746
A
22 0.254152 21.90722 53.74849 24.34429
C
23 0.258877 21.93200 54.01872 24.04928
SI
24 0.263436 21.95530 54.28260 23.76210
S FÍ
25 0.267837 21.97725 54.54031 23.48244
26 0.272091 21.99795 54.79204 23.21001
C S
TI IA
27 0.276203 22.01752 55.03792 22.94457
28 0.280183 22.03603 55.27810 22.68587
Á C
A
29 0.284036 22.05356 55.51274 22.43370
M EN
30 0.287768 22.07018 55.74195 22.18787

I
31 0.291385 22.08596 55.96587 21.94817

TE C
32 0.294893 22.10094 56.18461 21.71445

M DE
33 0.298295 22.11518 56.39830 21.48651

34 0.301597 22.12873 56.60706 21.26422
Y A
35 0.304802 22.14161 56.81098 21.04741

A
C
36 0.307915 22.15389 57.01017 20.83594

TE
37 0.310938 22.16558 57.20475 20.62967

38 0.313876 22.17672 57.39481 20.42847
O
39 0.316732 22.18735 57.58045 20.23220

LI
40 0.319509 22.19749 57.76176 20.04075

IB
41 0.322208 22.20716 57.93885 19.85400

B
42 0.324835 22.21639 58.11179 19.67182

43 0.327389 22.22521 58.28069 19.49410
44 0.329875 22.23363 58.44562 19.32075
45 0.332295 22.24168 58.60668 19.15164
46 0.334649 22.24937 58.76394 18.98669
47 0.336942 22.25673 58.91750 18.82578
pág. 81
48 0.339174 22.26376 59.06742 18.66882

49 0.341348 22.27048 59.21379 18.51572
50 0.343465 22.27692 59.35669 18.36639
51 0.345527 22.28308 59.49619 18.22074
52 0.347535 22.28897 59.63236 18.07867
53 0.349492 22.29462 59.76527 17.94011
S
54 0.351399 22.30002 59.89501 17.80497
A
55 0.353257 22.30520 60.02163 17.67317
C
56 0.355067 22.31016 60.14521 17.54463
SI
57 0.356832 22.31492 60.26581 17.41927
S FÍ
58 0.358551 22.31947 60.38349 17.29703
59 0.360228 22.32384 60.49833 17.17782
C S
TI IA
60
Á C 0.361861 22.32803 60.61038 17.06158
Cholesky Ordering: SER01 SER02 SER03
A
M EN
I
TE C
M DE
Y A
A
C
TE
O
LI
IB
B
pág. 82

Dionicio Rosado, Deivy Yosip

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Dionicio Rosado, Deivy Yosip

Diunggah oleh

Hak Cipta:

Format Tersedia

Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT

UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS FÍSICAS Y

"MODELOS VECTORIALES AUTORREGRESIVOS EN EL

PRONÓSTICO DE LA CURVA DE RENDIMIENTO CUPÓN

CERO DEL GOBIERNO PERUANO"

Autor: Br. Deivy Yosip, Dionicio Rosado

Asesor: MsC. Luis Alberto, Rubio Jácobo

Aprovecho la oportunidad para expresar mi sincero agradecimiento y aprecio a

todos los profesores del Departamento de Estadística, por inculcarnos su

conocimiento y experiencia a lo largo de los años de nuestra formación

agradeciendo sus sugerencias, apreciaciones y criterios constructivos para la

Br. Deivy Yosip, Dionicio Rosado.

Trujillo, Junio del 2013

futuro, todo esto te lo debo a ti.

Mis abuelos Cesar Rosado y Edelmira Rodríguez (QEPD), por quererme y

apoyarme siempre, esto también se lo debo a ustedes.

Mis sobrinos, Joshua Valentino y Anell Bryanna, para que vean en mí un

Mi asesor y director de tesis, MsC. Luis Alberto Rubio Jácobo y a mi coasesora

Doc. Jeanette Baldramina González Castro, agradezco infinitamente todo su

apoyo, por compartir desinteresadamente sus conocimientos, experiencias,

A mi Alma Mater la Universidad Nacional de Trujillo, por darme la oportunidad

También me gustaría agradecer a mis profesores durante toda mi carrera

profesional porque todos han aportado en mi formación académica, y en

consejos, su enseñanza y más que todo por su amistad.

compañía en los momentos más difíciles de mi vida. Algunas están aquí

conmigo y otras en mis recuerdos y en mi corazón, sin importar en donde estén

brindado y por todas sus bendiciones.

Para ellos: Muchas gracias y que Dios los bendiga.

La curva de rendimiento es una herramienta utilizada ampliamente, por quienes

Sin embargo, otros métodos pueden modelar el comportamiento de los datos

PALABRAS CLAVE: MODELOS VAR, CUPÓN CERO, CURVA DE

SER01 SER01 = 0.911724156554 * (-1) + 0.0640536274213 * SER01 (-2) +

* 0.221189915528 SER02 (-1) - * 0.194899524638 SER02 (-2) -

0.0429637415452 * SER03 (-1) + 0.0426318529443 * SER03 (-2) -

+ 0.933358408775 * SER02 (-1) + 0.0561247356621 * SER02 (-2) +

0.153025808579 * SER03 (-1) - 0.15546618703 * SER03 (-2) +

+ 0.19112018575 * SER02 (-1) - 0.168651422863 * SER02 (-2) +

0.928651807912 * SER03 (-1) + 0.0454341303391 * SER03 (-2) +

KEYWORDS: VAR MODELS, COUPON ZERO YIELD CURVE.

1.2.2. SOCIAL: ............................................................................................................... 7

1.3. PROBLEMA: ............................................................................................................. 8

1.4. HIPÓTESIS: .............................................................................................................. 8

1.5. OBJETIVOS: ............................................................................................................. 8

1.5.2. OBJETIVOS ESPECÍFICOS: ........................................................................... 8

CAPITULO II: MARCO TEÓRICO Y CONCEPTUAL .....................................................................9

2.1 Sistema Nacional de Endeudamiento ................................................................... 9

a) Tipos de bonos ....................................................................................................... 11

2.3 Bono Soberano ....................................................................................................... 13

2.4 CURVA DE RENDIMIENTO O YIELD CURVE ................................................. 13

2.5 VECTORES AUTOREGRESIVOS (VARs) ........................................................ 15

3.2.1. ÁREA DE INVESTIGACIÓN: .......................................................................... 40

3.2.2. TIPO DE INVESTIGACIÓN: ........................................................................... 40

3.3. DISEÑO METODOLÓGICO: ................................................................................ 40

4.1.1 PRUEBA DE SUPUESTOS BÁSICOS: ........................................................ 41

4.1.2 MODELOS VAR (BOX – JENKINS): ............................................................. 43

CAPITULO V: CONCLUSIONES Y RECOMENDACIONES .................................................... 64

5.1 CONCLUSIONES: .................................................................................................. 64

REFERENCIAS BIBLIOGRÁFICAS Y ANEXO ............................................................................. 66

Utilizamos un modelo del tipo vector autorregresivo (VAR) cuando queremos

constante, en cada ecuación, para un total de 12 coeficientes a estimar. Si el

modelo fuera de segundo orden, VAR(2), habría 7 coeficientes a estimar en

pasado de todas ellas.

Pueden incluirse también como variables explicativas algunas variables de