Modelación y comovimientos de la tasa de cambio colombiana, 2011-2017

Sierra, Giuliana Maya; Marin Rodríguez, Nini Johana Article Modelación y comovimientos de la tasa de cambio colombiana, 2011-2017 Revista de Métodos Cuantitativos para la Economía y la Empresa Provided in Cooperation with: Universidad Pablo de Olavide, Sevilla Suggested Citation: Sierra, Giuliana Maya; Marin Rodríguez, Nini Johana (2019) : Modelación y comovimientos de la tasa de cambio colombiana, 2011-2017, Revista de Métodos Cuantitativos para la Economía y la Empresa, ISSN 1886-516X, Universidad Pablo de Olavide, Sevilla, Vol. 28, pp. 301-341, https://doi.org/10.46661/revmetodoscuanteconempresa.2966 This Version is available at: https://hdl.handle.net/10419/286180 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by-sa/4.0/ REVISTA DE METODOS CUANTITATIVOS PARA LA ECONOMÍA Y LA EMPRESA (28). Páginas 301-341. Diciembre de 2019. ISSN: 1886-516X. D.L: SE-2927-06. www.upo.es/revistas/index.php/RevMetCuant/article/view/2966 Modelación y co-movimientos de la tasa de cambio colombiana, 2011-2017 Maya Sierra, Giuliana Departamento de Ingeniería Financiera Universidad de Medellín (Colombia) Correo electrónico: [email protected] Marín Rodríguez, Nini Johana Departamento de Economía Universidad de Medellín (Colombia) Correo electrónico: [email protected] RESUMEN La tasa de cambio está influenciada por múltiples factores macroeconómicos nacionales e internacionales, lo que genera altos niveles de incertidumbre. El objetivo de esta investigación es la construcción de modelos ARIMA-GARCH y ARIMAX-GARCH como herramienta para el pronóstico de la tasa de cambio en Colombia a partir de los retornos diarios de los precios de cierre USD/COP y su análisis de correlación dinámica con algunas variables de interés. Los resultados sugieren que la incorporación de variables exógenas significativas dentro de la modelación ARIMAX-GARCH con correlación persistente según el modelo DCC (por sus siglas en inglés Dinamic Conditional Correlation) al par USD/COP genera pronósticos fuera de muestra con mejor desempeño que los modelos univariados ARIMA-GARCH. Palabras clave: variables macroeconómicas, modelos de pronóstico, tasa de cambio, correlación. Clasificación JEL: E6; C51; F31; C30. MSC2010: 91B64; 91B70; 91B84; 91G70; 62H20. Artículo recibido el 8 de febrero de 2018 y aceptado el 10 de septiembre de 2018. 301 Modeling and comovements of the Colombian exchange rate, 2011-2017 ABSTRACT The exchange rate is influenced by multiple national and international macroeconomic factors, which generates high levels of uncertainty. The objective of this research is the construction of ARIMA-GARCH and ARIMAXGARCH models as a tool for the forecast of the exchange rate in Colombia from the daily returns of the closing prices USD/COP and its analysis of dynamic correlation with some of the most explicative variables. The results suggest that the incorporation of significant exogenous variables within the ARIMAXGARCH model with persistent correlation according to the DCC (Dinamic Conditional Correlation) model to the USD/COP pair generates out-of-sample forecasts with better performance than the ARIMA-GARCH univariate models. Keywords: Macroeconomic fundamentals, forecast models, exchange rate, correlation. JEL classification: E6; C51; F31; C30. MSC2010: 91B64; 91B70; 91B84; 91G70; 62H20. 302 303 1. Introducción La tasa de cambio en economías con regímenes cambiarios flexibles es más que un término de intercambio de una moneda local frente a otras. Ésta es un indicador que permite evaluar el desempeño de una economía con el resto del mundo, dado que la volatilidad de la misma tiene efectos directos en la economía de un país o región que impacta desde el nivel de flujos de capital, la balanza de cuenta corriente, la inflación y otras variables macroeconómicas que afectan el crecimiento económico. Por esta razón, el entendimiento y pronóstico de esta tasa se ha convertido en foco de interés para académicos, analistas, empresarios de diferentes sectores económicos, inversionistas y gobiernos de los países donde el régimen cambiario tiene algún tipo de flexibilidad. Lo anterior, porque el comportamiento del tipo de cambio va a estar explicado por la configuración de diversas variables macroeconómicas, técnicas, variables macroeconómicas y choques coyunturales en las economías. La importancia de dichas variables como catalizadores del nivel de tasa de cambio no es estática en el tiempo y esto hace que la esencia del comportamiento de la tasa de cambio en el corto plazo sea un reto para quienes se han preocupado por la generación de modelos eficientes de pronóstico y por la identificación de las variables determinantes de la tasa de cambio en dichas economías, pues para países en los que el régimen cambiario está sujeto a algún tipo de control no tiene sentido hacer ningún tipo de análisis en la medida en que dicha evolución depende de los intereses del gobierno. Los primeros acercamientos para su pronóstico desde los modelos econométricos se dieron a partir de Meese y Rogoff (1983), quienes demostraron que el modelo de caminata aleatoria es un buen estimador de la tasa de cambio en economías abiertas. En la misma línea Chinn y Meese (1995) compararon los pronósticos por medio de diferentes modelos estructurales como el de Hooper-Morton, entre otros y destacan que se obtienen estadísticamente mejores resultados por medio del modelo de caminata aleatoria para horizontes de corto plazo. Otros autores (Majhi, Panda, & Sahoo, 2009; Panda & Narasimhan, 2007) han realizado afirmaciones acerca de las limitaciones de los modelos lineales para capturar el impacto de asimetrías en las series y comparando los resultados con los alcanzados por medio de modelos como las redes neuronales. Para el caso colombiano Jalil y Misas (2007) indican que a la luz de las funciones de pérdida asimétricas, los modelos no lineales tienen una mejora considerable en capacidad de pronóstico, con respecto a los modelos lineales. Sin embargo, recientemente Pacelli (2012) demuestra que los modelos autorregresivos en varianza ARCH (Modelos Autorregresivos Condicionales Heteroscedásticos) y GARCH (Modelos Generalizados Autorregresivos Condicionales Heteroscedásticos) tienen un mejor desempeño comparado con los modelos de redes neuronales para analizar la dinámica de la tasa de cambio. De esta manera, conociendo la relevancia que tiene el comportamiento del tipo de cambio, el objetivo de esta investigación es identificar dentro de la familia de los modelos ARIMA-GARCH cuál es el modelo que mejor se ajusta y pronostica la tasa de cambio diaria en Colombia a partir de la serie de retornos diarios para el precio de cierre del par USD/COP y conocer sus co-movimientos con algunas variables macroeconómicas de interés en el período de tiempo seleccionado. Inicialmente el modelo ARIMA (Modelo Autorregresivo integrado de Medias Móviles) propuesto por Box y Jenkins (1970) busca pronosticar series estocásticas estacionarias. Teniendo presente que la mayoría de series financieras violan este supuesto, tal como lo demostró Fama (1965); es necesario transformar la serie hasta obtener un proceso estacionario. El modelo ARIMA está basado en rezagos de la serie temporal estacionaria que incluye los modelos Autorregresivos (o Modelos AR) junto con los errores al estimar el valor de la variable en los períodos anteriores, es decir, los modelos de medias móviles (o Modelos MA, por sus siglas en inglés Moving Average), los cuales son utilizados frecuentemente, dada su eficiente nivel de ajuste ante cambios en la tendencia. Así mismo, teniendo presente que no solo 304 el componente autorregresivo es el mejor predictor para las variables financieras se explora el modelo ARIMAX (Modelo Autorregresivo integrado de Medias Móviles con variables exógenas), el cual nace a partir la incorporación de variables independientes o exógenas a un modelo ARIMA permitiendo capturar la correlación con el comportamiento de otras variables. Por último con los modelos GARH se modela la estructura temporal de la varianza, el cual hace parte de la familia de modelos ARCH introducida por Engle (1982) y Bollerslev (1986). Es así como a partir de un análisis de las variables macroeconómicas y otras series financieras que influyen en la formación de la tasa de cambio para el caso colombiano permiten que el modelo pueda captar la influencia de factores externos y generar pronósticos más precisos, tal como proponen otros autores (Stein & Allen, 1997; Abhyankar, Sarno & Valente, 2005; Ehrmann & Fratzscher, 2005; MacDonald & Marsh, 1997; Medeiros & Rossi, 2009; Murcia & Rojas, 2015). En esta investigación se realizó un análisis de las principales variables que impactan el nivel del tipo de cambio. El análisis arrojó como variables significativas que permiten explicar su comportamiento para el periodo 1 de enero de 2011 al 15 de mayo de 2017: los TES de vencimiento 20241, el índice DXY (por sus siglas en inglés de U.S. Dollar Index) y el precio del petróleo de la referencia WTI (por sus siglas en inglés de West Texas Intermediate) que influyen en la formación de la tasa de cambio, lo cual se contrastó con el uso del modelo de Correlación Condicional Dinámica, DCC, para observar sus co-movimientos con algunas variables macroeconómicas de interés, tales como el Índice DXY, Índice Colcap, CDS 10 años Colombia, Índice IBR, Tesoros con vencimiento 10 años, índice MXEF, WTI, TES con vencimiento 2024, índice VIX, USD/CLP y USD/MXN y se encontró la relación de dependencia lineal en el tiempo. El documento está dividido en tres partes. En la primera se destacan los aspectos centrales del papel de la tasa de cambio en economías abiertas con tipo de cambio flexible principalmente el caso colombiano, la importancia de su análisis y las variables que permiten determinar la formación de la tasa de cambio en Colombia. En la segunda sección se realiza una descripción general de los modelos ARIMA, ARIMAX y GARCH. En la tercera se presenta un análisis de los datos y se exponen los resultados obtenidos en la aplicación de los modelos para estimación del USD/COP y el análisis de las Correlaciones Condicionales Dinámicas entre el tipo de cambio y el Índice DXY, Índice Colcap, CDS 10 años Colombia, Índice IBR, Tesoros con vencimiento 10 años, índice MXEF, WTI, TES con vencimiento 2024, índice VIX, USD/CLP y USD/MXN para identificar cómo ha evolucionado en los últimos años la relación de dependencia lineal y, por último, se presentan algunas conclusiones. 2. Marco Teórico. 2.1. La importancia de la modelación de la Tasa de Cambio en Colombia. El papel del dólar en el mundo no está fundamentado en que es un simple instrumento para transacciones internacionales sino como principal activo de inversión de flujos capital e inversión de las reservas de los Bancos Centrales alrededor del mundo, las cuales son un indicador de solvencia de los países y son un instrumento para intervenir en pro de mantener la estabilidad el mercado cambiario (Tosoni, 2011). Lo anterior, convierte al tipo de cambio frente al dólar en una guía de la realidad económica de los países con tasa de cambio flotantes. Colombia en septiembre de 2000 abandonó el esquema de banda cambiaria, que había operado en el país a partir de septiembre de 1994 (Chavarro, 2008), y a partir de ese momento deja flotar el tipo de cambio, aunque conserva la autonomía para realizar intervenciones puntuales en el 1 Títulos de deuda soberana de Colombia, son la referencia más líquida del mercado de deuda pública. Fueron emitidos por el Ministerio de Hacienda y administrados por el Banco de la República con vencimiento el 24 de julio del 2024. 305 mercado a través de distintos mecanismos como opciones Put o Call 2 y la intervención discrecional y las subastas directas (Davis, 2017). En la medida que la economía mundial ha empezado a salir de la desaceleración económica en la cual se había visto sumergida a raíz de la crisis subprime de Estados Unidos en 2007, donde los capitales abandonaron en gran proporción la economía estadounidense, por su alto nivel de volatilidad y bajas tasas de interés, se presentó un flujo de capitales de portafolio hacia países emergentes que ofrecían una mejor relación riesgo-retorno. Es así como el movimiento de la liquidez mundial le ha dado un protagonismo mayor a la importancia que tiene el dólar en el contexto global y profundizó su impacto en las economías emergentes donde se suman nuevos factores que generan volatilidad. Sin embargo, una vez que Estados Unidos comenzó a mostrar signos de recuperación y otras potencias como China y Europa presentaron datos de bajo crecimiento, los mercados emergentes no tienen un escenario más promisorio en este sentido. Es por ello que una de las variables a monitorear es los CDS (por sus siglas en inglés Credit Defaul Swap), que son considerados como un indicador de la prima de riesgo comparados con Estados Unidos. Es así, como se muestra en el Gráfico 1 para los principales países de la región como Chile, Perú, México, Brasil y Colombia un fuerte impacto en términos de percepción de riesgo, cuando las señales de recuperación de Estados Unidos y el resto de economías han sido desiguales, convirtiéndose en catalizador de volatilidad. El comportamiento CDS como fuente de información para el mercado de capitales es analizado por diversos autores, entre ellos Hassan, Kayhan y Bayat (2017) que concluye con que el CDS permite explicar el comportamiento de la tasa de cambio en Turquía y en escenario regional Carr y Wu (2007) analizaron la volatilidad del mercado cambiario por medio de la fuerte correlación con los CDS de México y Brasil. Sumado a esta recuperación, los movimientos en términos de política monetaria por parte de los Bancos centrales, las tensiones geopolíticas y los cambios de líneas gobierno se han traducido en una revaluación del dólar frente al resto de monedas en el mundo, generando más incertidumbre que incrementan los rápidos movimientos de los flujos de inversión, buscando inversiones seguras (Julio & Yook, 2016). Gráfico 1. Comportamiento CDS Chile, Perú, México, Brasil y Colombia 2011Julio de 2017. Fuente: Elaboración propia con datos de Bloomberg (2017). 2 Venta de Opciones Put (Venta) y Opciones Call (Compra), instrumentos financieros para acumulación o desacumulación de reservas internacionales y para el control de la volatilidad por parte del Banco de la República. 115,05 321,64 231,66 153,03 190,74 0,00 100,00 200,00 300,00 400,00 500,00 600,00 ene-11 abr-11 jul-11 oct-11 ene-12 abr-12 jul-12 oct-12 ene-13 abr-13 jul-13 oct-13 ene-14 abr-14 jul-14 oct-14 ene-15 abr-15 jul-15 oct-15 ene-16 abr-16 jul-16 oct-16 ene-17 abr-17 jul-17 CHILE CDS USD SR 10Y CORP BRAZIL CDS USD SR 10Y CORP COLOM CDS USD SR 10Y CORP PERU CDS USD SR 10Y CORP MEX CDS USD SR 10Y CORP 306 En el Gráfico 2, se observa el comportamiento que han tenido para el periodo 2000-2017 las monedas de las economías más representativas de Latinoamérica como lo son Colombia, Brasil, Perú, Chile, México y el Índice DXY. Donde se evidencia que, en los períodos posteriores a las crisis norteamericanas, la presión sobre el tipo de cambio por la migración de flujos ha generado una depreciación pronunciada de las monedas locales; como se presentó en la crisis del punto COM que tuvo lugar entre marzo y noviembre del 2001 y para la recesión del 2007 por la crisis Subprime, la cual data de diciembre 2007 hasta junio 2009. Gráfico 2. Comportamiento de monedas suramericanas frente al dólar 2000 - junio 2017, serie normalizada. Fuente: Elaboración propia con datos de Bloomberg (2017). En general, las economías se vieron afectadas por la volatilidad en los precios de petróleo, normalización monetaria por parte de la FED (por sus siglas en inglés Federal Reserve) y la fase de ralentización de la economía China, que siendo uno de los principales demandantes de materias primas a nivel mundial aporta mayor incertidumbre en los precios de los commodities y, por ende, una menor perspectiva de ingresos para las economías emergentes que dependen de ellas, lo que repercute en el valor de sus monedas. La volatilidad en la tasa de cambio tiene efectos directos en la economía de un país o región, desde el nivel de flujos de capital, la balanza de cuenta corriente, inflación y otras variables macroeconómicas que afectan el crecimiento económico (Cardenas, 1997). Es por esto que se hace necesario un estudio sobre la tasa de cambio, los impactos que pueden tener los diferentes choques externos sobre ésta, y aplicar modelos autorregresivos ARIMA-GARCH y ARIMAXGARCH, junto con la metodología DCC con el objetivo de explicar su comportamiento en el corto plazo y sus co-movimientos con unas variables macroeconómicas de interés. En la actualidad se encuentra un amplio rango de literatura que se ha preocupado por encontrar la tasa de cambio de equilibrio óptimas para cada una de las economías y a su vez por la generación de modelos que permitan comprender y pronosticar el comportamiento futuro de las mismas. 99,5 99,7 99,9 100,1 100,3 100,5 100,7 100,9 ene.-00 jun.-00 nov.-00 abr.-01 sep.-01 feb.-02 jul.-02 dic.-02 may.-03 oct.-03 mar.-04 ago.-04 ene.-05 jun.-05 nov.-05 abr.-06 sep.-06 feb.-07 jul.-07 dic.-07 may.-08 oct.-08 mar.-09 ago.-09 ene.-10 jun.-10 nov.-10 abr.-11 sep.-11 feb.-12 jul.-12 dic.-12 may.-13 oct.-13 mar.-14 ago.-14 ene.-15 jun.-15 nov.-15 abr.-16 sep.-16 feb.-17 jul.-17 COP MXN CLP DXY BRL Mínimos precio petroleo Crisis .COM Crisis Suprime Desaceleraciòn China + Normalizaciòn FED 307 2.2. Variables que influyen en la formación de la tasa de cambio. En el sentido de que la tasa de cambio tenga algún tipo de movilidad y flexibilidad, se generan interrogantes sobre qué variables pueden llegar a explicar su comportamiento en términos de depreciación o apreciación frente a la moneda foránea de referencia y de dicha selección depende la eficiencia del modelo. En este sentido, se han identificado algunas variables que a lo largo de la historia influyen en la trayectoria de corto y largo plazo de las tasas de cambio de las economías con regímenes cambiarios de tipo de cambio flexible. El comportamiento del tipo de cambio en Colombia más que una dinámica de oferta y demanda de mercado, se ve influenciada por las variables macroeconómicas locales e internacionales, activos financieros y movimientos de flujos de capitales internacionales, entre otros. Tabla 1. Matriz de correlaciones, ventana de tiempo de 1 año corte junio de 2016 a junio de 2017. Fuente: Elaboración propia con datos de Bloomberg (2017). En esta investigación se realizó un análisis de las principales variables que influyen en la determinación de la tasa de cambio colombiana, tales como los flujos de capitales, la política monetaria internacional y local, el rebalanceo de índices bursátiles donde Colombia tenga alguna participación, las variables macroeconómicas como crecimiento, balanza comercial, IPC (Índice de Precios al Consumo), tasa de interés y variables cualitativas como cambios de gobierno, reuniones de bancos centrales, acuerdos de OPEP (Organización de Países Exportadores de Petróleo) y movimientos en las calificaciones de deuda soberana. En el Anexo 1 se presenta el resumen de las diferentes variables. En la Tabla 1 se realizó una validación de algunas correlaciones promedio para el último año. En ésta se evidencian niveles fuertes de correlación en algunas variables. Sin embargo, la prima de riesgo país desde el CDS a 10 años, el índice DXY y las principales divisas de la región como el real y el peso mexicano, se destacan como las variables con mayor índice de correlación con el comportamiento de la tasa de cambio en Colombia. Adicionalmente, en las correlaciones analizadas en la Tabla 1, se evidencia una correlación negativa fuerte del USD/COP frente al Índice de la Bolsa de Valores de Colombia (Colcap), el cual agrupa el comportamiento de los principales 20 emisores locales, entre los que COP MXN CLP BRL CDS 10 Años DXY COLCAP MXEF HEES Tasa Intervención IBR IPC Anual T ES 2024 WTI BRENT VIX Tesoros 10 Años PIB Trimestral COP 10.50 0.58 0.46 0.58 0.18 -0.32 -0.40 -0.16 -0.01 -0.02 -0.21 -0.46 -0.44 -0.41 0.27 0.10 0.71 MXN 0.498 10.37 0.44 0.51 0.17 -0.17 -0.31 0.10 -0.01 -0.01 0.12 -0.41 -0.22 -0.20 0.12 0.29 -1.00 CLP 0.582 0.37 10.38 0.33 0.33 -0.20 -0.43 -0.04 -0.11 -0.05 0.32 -0.24 -0.27 -0.23 0.15 0.13 1.00 BRL 0.459 0.44 0.38 10.46 0.21 -0.23 -0.28 -0.07 -0.03 0.05 -0.02 -0.26 -0.16 -0.12 0.25 0.27 0.13 CDS 10 Años 0.576 0.51 0.33 0.46 10.12 -0.36 -0.37 -0.18 0.03 0.04 -0.60 -0.44 -0.44 -0.41 0.40 0.13 0.89 DXY 0.179 0.17 0.33 0.21 0.12 1-0.08 -0.11 0.15 -0.05 0.05 -0.36 -0.24 -0.06 -0.04 -0.03 0.45 -0.11 COLCAP -0.32 -0.17 -0.20 -0.23 -0.36 -0.08 10.31 0.16 -0.06 0.02 0.29 0.15 0.38 0.37 -0.20 0.02 0.54 MXEF -0.404 -0.31 -0.43 -0.28 -0.37 -0.11 0.31 1-0.04 0.05 0.07 0.58 0.16 0.16 0.16 -0.20 -0.03 -0.91 HEES -0.161 0.10 -0.04 -0.07 -0.18 0.15 0.16 -0.04 1-0.08 -0.02 0.02 0.04 0.27 0.27 -0.40 0.24 0.30 Tasa Intervención -0.006 -0.01 -0.11 -0.03 0.03 -0.05 -0.06 0.05 -0.08 1-0.01 -0.10 -0.09 -0.08 -0.06 0.00 -0.01 -0.91 IBR -0.016 -0.01 -0.05 0.05 0.04 0.05 0.02 0.07 -0.02 -0.01 1-0.33 -0.06 0.00 0.05 0.00 0.10 -0.99 IPC Anual -0.206 0.12 0.32 -0.02 -0.60 -0.36 0.29 0.58 0.02 -0.10 -0.33 10.16 -0.14 -0.04 -0.50 -0.34 -0.55 TES 2024 -0.461 -0.41 -0.24 -0.26 -0.44 -0.24 0.15 0.16 0.04 -0.09 -0.06 0.16 10.18 0.11 -0.19 -0.35 -0.88 WTI -0.44 -0.22 -0.27 -0.16 -0.44 -0.06 0.38 0.16 0.27 -0.08 0.00 -0.14 0.18 10.96 -0.18 0.06 -0.36 BRENT -0.411 -0.20 -0.23 -0.12 -0.41 -0.04 0.37 0.16 0.27 -0.06 0.05 -0.04 0.11 0.96 1-0.16 0.13 -0.19 VIX 0.272 0.12 0.15 0.25 0.40 -0.03 -0.20 -0.20 -0.40 0.00 0.00 -0.50 -0.19 -0.18 -0.16 1-0.05 0.81 TESOROS 10 Años 0.101 0.29 0.13 0.27 0.13 0.45 0.02 -0.03 0.24 -0.01 0.10 -0.34 -0.35 0.06 0.13 -0.05 10.09 PIB Trimestral 0.708 -1.00 1.00 0.13 0.89 -0.11 0.54 -0.91 0.30 -0.91 -0.99 -0.55 -0.88 -0.36 -0.19 0.81 0.09 1 308 se encuentran Bancolombia S.A., ISA S.A. Ecopetrol S.A., Grupo Sura S.A. Grupos Argos S.A. Grupo Aval S.A., entre otros. Estos emisores tienen presencia internacional y son vulnerables al contexto global, debido a que son objetivo de inversionistas extranjeros e índices bursátiles. Así, un escenario positivo en el mercado accionario anticipa flujos de dólares para la compra de activos locales, por lo cual dicha correlación es negativa. Gráfico 3. Comportamiento de la tasa de cambio en Colombia con el Brent y WTI. Fuente: Elaboración propia con datos de Bloomberg (2017). A su vez, en el Gráfico 1 se observa la correlación entre los precios de cierre del USD/COP versus el petróleo posterior la apertura económica en Colombia, donde es notable la importancia del crudo para el país dada la indexación de los ingresos por la actividad petrolera, en especial la referencia Brent3, la cual es la base de negociación del agente más importante en Colombia (Ecopetrol S.A) y el precio del WTI que es la principal referencia en el mundo. Se puede apreciar que el precio del crudo tiene una correlación inversa con la tasa de cambio y la respuesta de ésta ante movimientos del crudo ha sido rápida, con una magnitud más pronunciada. Desde el análisis realizado se permite concluir que las variables pueden tener una importancia dinámica en el tiempo y algunos autores (Rime, Sarno, & Sojli, 2010) han llegado a la conclusión de que las variables macroeconómicas no son un buen estimador de la tasa de cambio pero, por lo contrario, sí es la tasa de cambio un estimador eficiente de las variables macroeconómicas. Esta condición le da sentido a la aplicación del modelo DCC para validar la correlación de las variables en el tiempo. 2.3. Algunos métodos de modelación y pronóstico. La teoría de los regímenes cambiarios y su comportamiento ha sido objeto de estudio (como lo compilan Marsh y Sarno, 2012) en el Handbook of Exchange Rates y se ha visto el continuo surgimiento de diversas metodologías para tratar de pronosticar el comportamiento de éste. De esta manera, el análisis fundamental y los modelos monetarios en diferentes modalidades, no 3 Brent crude o London Brent, su nombre se origina en la investigación petrolífera a la región del Mar del Norte de UK por Exxon Mobil y Royal Ducth Shell en el campo Shell UK Exploration con referencia al Ganso Brent, adicionalmente es acrónimo de importantes Abogados de la industria petrolera Broom, Rannoch, Etive, Ness and Tarbert. Brent contiene 0,37% de azufre por lo cual se categoriza como dulce (One Financial Markets & CB Financial Services Ltd, 2012). 0 500 1000 1500 2000 2500 3000 3500 4000 0 20 40 60 80 100 120 140 mar.-09 jul.-09 nov.-09 mar.-10 jul.-10 nov.-10 mar.-11 jul.-11 nov.-11 mar.-12 jul.-12 nov.-12 mar.-13 jul.-13 nov.-13 mar.-14 jul.-14 nov.-14 mar.-15 jul.-15 nov.-15 mar.-16 jul.-16 nov.-16 mar.-17 jul.-17 WTI BRENT COP 315 4. Método de estimación, datos y resultados. 4.1. Análisis exploratorio de los datos. Se propone un análisis de carácter exploratorio en el que se busca determinar el modelo con mejor ajuste de corto plazo para la tasa de cambio en Colombia por medio de los retornos diarios de los precios de cierre USD/COP, dado que estos precios presentan valores de correlación más altos con las variables explicativas. Adicionalmente, se modela la serie de tipo de cambio bajo la misma base de último precio y no sobre un promedio ponderado como lo es la TRM (Tasa Representativa del Mercado6) que puede tener un sesgo frente a los hechos de cierre por su metodología de cálculo. Inicialmente se realizó un análisis de co-movimientos entre los retornos diarios del tipo de cambio y las series Índice DXY, Índice Colcap, CDS 10 años Colombia, Índice IBR, Tesoros con vencimiento 10 años, índice MXEF, WTI, TES con vencimiento 2024, índice VIX, USD/CLP y USD/MXN en el periodo que comprende desde el 3 de enero de 2011 hasta el 15 de mayo de 2017 para un total de 1661 observaciones. En el modelo ARIMAX-GARCH se utilizó información histórica para las diferentes variables analizadas a partir del DCC. Sin embargo, en la calibración del modelo ARIMAXGARCH fueron significativas las siguientes variables exógenas para la explicación del USD/COP: los TES vencimiento julio 2024, el Índice DXY y el precio del petróleo por medio de la referencia WTI. Adicionalmente, se realizó la incorporación de una variable Dummy7 (D1) tanto en el Modelo ARIMA como en el Modelo ARIMAX con el objeto de capturar valores atípicos por choques exógenos de gran impacto que no son recurrentes, tales como las reuniones más relevantes OPEC8 del 24 al 31 de agosto de 2015 y el 8 de diciembre de 2015, pues se considera que estas dos reuniones generaron mucha incertidumbre en el mercado cambiario colombiano, al ser el petróleo la principal exportación colombiana. Los valores missing correspondientes a periodos no operativos en uno u otro mercado debidos a festivos fueron reemplazados por el dato inmediatamente anterior para obtener semanas de cinco días. La elección de los datos se hizo con base en información de mercado y análisis de correlaciones donde se evidencia mayor incidencia de los movimientos de las variables seleccionadas en el nivel la tasa de cambio en Colombia. La fuente de los datos fue la plataforma Bloomberg. Los cálculos de los Modelos ARIMA y ARIMAX se hicieron en el software econométrico R. El Gráfico 4 muestra la evolución de las series en el período seleccionado. En la estimación de los modelos se validaron todas las variables estudiadas en el Anexo 1 que fueron analizadas bajo el modelo DCC, de las cuales fueron seleccionadas para la modelación las variables con nivel de significancia positiva, descartando las demás variables de los análisis. La inspección visual de series de originales parece indicar no estacionariedad (ver Gráfico 4) en cada una de las series, lo que es una característica propia de las series financieras. 6 En Colombia la Tasa Representativa del Mercado se conoce como TRM, que corresponde a la cantidad de pesos colombianos por dólar estadunidense y es calculada como el promedio ponderado de las operaciones de compra y venta de moneda legal colombiana contra dólar, realizadas por los Intermediarios del Mercado Cambiario (IMC) en el mercado spot (Banco de la Republica Colombia, 2017). 7 La variable Dummy (D1) es una variable binaria que toma el valor de 1 durante reuniones de la OPEC y 0 en los demás días. 8 Organización de Países Exportadores de Petróleo, por su denominación en ingles OPEC (Organization of the Petroleum Exporting Countries). 316 A partir de estas series se calculó el retorno logarítmico, el cual se presenta a continuación en el Gráfico 5. Gráfico 4. Evolución de las series diarias, periodo 2011-2017. 1,600 2,000 2,400 2,800 3,200 3,600 2011 2012 2013 2014 2015 2016 2017 COP 20 40 60 80 100 120 2011 2012 2013 2014 2015 2016 2017 WTI 4 5 6 7 8 9 10 2011 2012 2013 2014 2015 2016 2017 TES24 1.0 1.5 2.0 2.5 3.0 3.5 4.0 2011 2012 2013 2014 2015 2016 2017 TESOROS10 10 12 14 16 18 20 22 24 2011 2012 2013 2014 2015 2016 2017 MXN 600 800 1,000 1,200 1,400 2011 2012 2013 2014 2015 2016 2017 MXEF 450 500 550 600 650 700 750 2011 2012 2013 2014 2015 2016 2017 CLP 1,000 1,200 1,400 1,600 1,800 2,000 2011 2012 2013 2014 2015 2016 2017 COLCAP 70 80 90 100 110 2011 2012 2013 2014 2015 2016 2017 DXY 2 3 4 5 6 7 8 2011 2012 2013 2014 2015 2016 2017 IBR 0 10 20 30 40 50 2011 2012 2013 2014 2015 2016 2017 VIX 100 150 200 250 300 350 400 2011 2012 2013 2014 2015 2016 2017 CDS10 Fuente: Elaboración propia con datos de Bloomberg (2017). Los retornos de las variables presentan volatilidad irregular que se puede identificar a través de la presencia de clusters, así como también datos atípicos que pueden originarse por choques externos de gran magnitud. Por ende, las distribuciones de las series tendrán la característica de colas pesadas. Según la Tabla 2, el P-Valor del Jarque-Bera comprueba que las series originales no se ajustan a una distribución normal, adicionalmente el P-valor del test de Dickey Fuller no rechaza la hipótesis nula de la existencia de raíz unitaria, por esta razón ninguna de las series es estacionaria. La condición anterior hace necesario realizar la modelación sobre los retornos de las series y no sobre los valores en niveles. 317 Gráfico 5. Retornos diarios periodo 2011-2017. -.04 -.02 .00 .02 .04 .06 2011 2012 2013 2014 2015 2016 2017 RCOP -.12 -.08 -.04 .00 .04 .08 .12 2011 2012 2013 2014 2015 2016 2017 RWTI -.08 -.04 .00 .04 .08 2011 2012 2013 2014 2015 2016 2017 RTES24 -.12 -.08 -.04 .00 .04 .08 .12 2011 2012 2013 2014 2015 2016 2017 RTESOROS10 -.04 .00 .04 .08 .12 2011 2012 2013 2014 2015 2016 2017 RMXN -.08 -.06 -.04 -.02 .00 .02 .04 .06 2011 2012 2013 2014 2015 2016 2017 RMXEF -.04 -.02 .00 .02 .04 .06 2011 2012 2013 2014 2015 2016 2017 RCLP -.06 -.04 -.02 .00 .02 .04 .06 2011 2012 2013 2014 2015 2016 2017 RCOLCAP -.03 -.02 -.01 .00 .01 .02 .03 2011 2012 2013 2014 2015 2016 2017 RDXY -.15 -.10 -.05 .00 .05 .10 .15 2011 2012 2013 2014 2015 2016 2017 RIBR -.4 -.2 .0 .2 .4 .6 2011 2012 2013 2014 2015 2016 2017 RVIX -.2 -.1 .0 .1 .2 .3 2011 2012 2013 2014 2015 2016 2017 RCDS10 Fuente: Elaboración propia con datos de Bloomberg (2017). Tabla 2. Estadísticos descriptivos para las series diarias originales, 2011 - 2017. Fuente: Elaboración propia con datos de Bloomberg (2017). COP WTI TES24 TESOROS10 MXN MXEF CLP COLCAP DXY IBR VIX CDS10 Media 2,260.08 77.14 7.03 2.24 14.69 968.35 566.82 1,541.77 86.57 4.64 16.83 194.29 Mediana 1,932.85 88.73 7.00 2.18 13.34 975.46 551.20 1,609.71 82.36 4.36 15.31 176.00 Máximo 3,440.55 113.93 9.08 3.74 21.96 1,206.49 731.46 1,889.30 103.30 7.40 48.00 386.69 Mínimo 1,747.65 26.21 4.82 1.36 11.50 688.52 456.38 1,051.25 72.93 2.92 9.77 118.85 Desviación estándar 526.06 24.80 0.84 0.49 2.61 98.43 83.57 199.54 8.69 1.31 5.54 57.02 Asimetría 0.69 -0.40 -0.24 0.70 0.93 -0.20 0.30 -0.41 0.39 0.75 2.14 0.84 Curtosis 1.80 1.52 3.34 3.04 2.59 2.92 1.54 1.89 1.59 2.60 8.40 2.77 P-Valor Jarque-Bera 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 P-Valor Dickey Fuller 0.89 0.80 0.39 0.07 0.87 0.05 0.81 0.38 0.83 0.84 0.03 0.31 P-Valor Ljung-Box 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 318 Por medio de la Tabla 3, se evidencia que las series de retornos son leptocúrticas. El retorno de la paridad USD/COP y las variables explicativas presentan asimetría positiva en la mayoría de los casos, a excepción del colcap y el índice MXEF. En todos casos se rechaza la hipótesis de normalidad y el p-valor del test de Dickey Fuller en todos los casos se rechaza la hipótesis nula de presencia de raíz unitaria en los retornos por lo cual se comprueba que dichas series son estacionarias. El p-valor del estadístico Ljung-Box rechaza la hipótesis nula de no autocorrelación, lo cual indica que hay evidencia a favor de la existencia de estructura de dependencia temporal en media, razón por la cual los modelos ARIMA son apropiados para la modelación. Tabla 3. Estadísticos descriptivos para los retornos de las series diarias, 2011 - 2017. Fuente: Elaboración propia con datos de Bloomberg (2017). 4.2. Aplicación del modelo ARIMA-GARCH La modelación de los retornos de USD/COP se realizó a partir del modelo ARIMA para la parte en media y se complementó con el modelo GARCH para la modelación en varianza con el objetivo de capturar la existencia de estructura de dependencia temporal tanto en media como en varianza. Para la identificación del orden de la serie temporal de la estructura ARIMA se generó el correlograma de los retornos del USD/COP y se observaron los gráficos de ACF (Autocorrelación) y PACF (Correlación Parcial) (ver Anexo 2) para identificar la presencia de los componentes AR y/o MA en la serie. Se obtuvo como resultado con un nivel de significación del 5% la presencia de estructura AR en los rezagos 1 y 9. Sin embargo, no se encontró presencia de estructura MA. Se estimaron los modelos ARIMA (1,1,0) y ARIMA (9,1,0), los cuales fueron verificados bajo los criterios de selección Akaike, Schwarz, Hannan-Quinn, R-cuadrado y Durbin Watson (ver Anexo 3) y se seleccionó el modelo ARIMA (9,1,0). Los residuales del modelo ARIMA permitieron evidenciar existencia de efecto ARCH, por medio del correlograma de los cuadrados de los residuales, 𝜀𝜀𝑡𝑡2 (ver Anexo 4), respaldo adicionalmente por el test ARCH - LM (Test Multiplicador de Lagrange) con un p-valor para Chi-Cuadrado de Cero (0), rechazando la hipótesis nula de no existencia de efecto ARCH. El modelo GARCH fue propuesto por Bollerslev (1986) como una extensión al modelo ARCH. Ésta es una especificación más parsimoniosa para la función de la varianza condicional con una estructura de rezago más flexible que la ofrecida por el modelo ARCH, el cual permite la inclusión de rezagos de la varianza condicional en la ecuación de varianza. COP WTI TES24 TESOROS10 MXN MXEF CLP COLCAP DXY IBR VIX CDS10 Media 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 Mediana 0.000 0.000 0.000 -0.001 0.000 0.000 0.000 0.000 0.000 0.000 -0.002 0.000 Máximo 0.043 0.116 0.074 0.105 0.080 0.048 0.047 0.042 0.020 0.102 0.405 0.203 Mínimo -0.036 -0.108 -0.049 -0.113 -0.039 -0.065 -0.024 -0.045 -0.024 -0.134 -0.314 -0.143 Desviación estándar 0.007 0.021 0.009 0.024 0.008 0.010 0.006 0.009 0.005 0.010 0.073 0.023 Asimetría 0.054 0.146 0.542 0.078 0.815 -0.379 0.456 -0.132 0.022 1.077 0.698 0.394 Curtosis 7.097 6.235 8.967 4.548 11.374 6.059 7.156 5.611 4.708 59.853 6.717 10.849 P-Valor Jarque-Bera 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 P-Valor Dickey Fuller 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 P-Valor Ljung-Box 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 319 La validación final de modelo se realizó aplicando de nuevo el análisis de los correlogramas de los residuos y los residuos al cuadrado por medio de la realización de pruebas de Ljung y Box (ver Anexo 5) donde se acepta la hipótesis nula de no autocorrelación serial de los residuos y se comprueba la remoción de la estructura de dependencia temporal en media y en varianza. También se aplicó el test de Dickey-Fuller aumentado con el cual se comprueba que los errores son ruido blanco. Adicionalmente el test ARCH - LM arrojó un p-valor para Chi-Cuadrado de Cero (0.73), con lo cual se aceptó la hipótesis nula de no existencia de efecto ARCH para los errores al cuadrado, reflejando una buena calibración del modelo. Por lo tanto, dada la condición de heterocedasticidad condicional se procedió a estimar el modelo bajo la estructura ARCH y se obtuvo un modelo ARIMA (9,1,0) - GARCH (1,1) (Tabla 4). Tabla 4. Resultados del Modelos ARIMA - GARCH. Ecuación de la Media Variable Coeficiente Error Estándar Estadístico -Z Probabilidad C 8.77E-05 0.000151 0.581927 0.5606 D1 0.006981 0.001523 4.583067 0 AR(1) 0.067072 0.024999 2.683049 0.0073 AR(9) 0.093356 0.026592 3.510645 0.0004 Ecuación de la Varianza Variable Coeficiente Error Estándar Estadístico -Z Probabilidad C 1.29E-07 0.000000 2.620183 0.0088 RESID(-1)^2 0.058359 0.005895 9.900282 0.0000 GARCH(-1) 0.941879 0.005378 175.147 0.0000 R-squared 0.009248 Mean dependent var 0.000253 Adjusted R-squared 0.007453 S.D. dependent var 0.007449 S.E. of regression 0.007422 Akaike info criterion -7.369054 Sum squared resid 0.091213 Schwarz criterion -7.346222 Log likelihood 6123.315 Hannan-Quinn criter. -7.360592 Durbin-Watson stat 2.004227 Fuente: Elaboración propia con datos de Bloomberg (2017). Ecuación Media modelo ARIMA-GARCH Δ𝑈𝑈𝑈𝑈𝐷𝐷/𝐶𝐶𝐶𝐶𝐶𝐶𝑡𝑡= 8.77𝐸𝐸-05 + 0.067072 Δ𝑈𝑈𝑈𝑈𝐷𝐷/𝐶𝐶𝐶𝐶𝐶𝐶𝑡𝑡−1+ 0.093356 Δ𝑈𝑈𝑈𝑈𝐷𝐷/𝐶𝐶𝐶𝐶𝐶𝐶𝑡𝑡−9+ 0.006981D1 (18) Ecuación Varianza modelo ARIMA-GARCH 𝜎𝜎𝑡𝑡2=1.29E-07 + 0.058359𝜀𝜀𝑡𝑡−1 2+ 0.941879𝜎𝜎𝑡𝑡−1 2 (19) El modelo presenta un coeficiente muy relevante para el rezago superior 𝑡𝑡+ 9 del 9.33%, es decir, el rezago a nueve periodos tiene un impacto directamente proporcional y la información más actualizada del activo teniendo en cuenta que es una serie ruido blanco la aporta un 6.70% por ende la historia del par USD/COP nos es el factor determinante del nivel de tasa de cambio, sin embargo, ambos rezagos capturan la mayor cantidad de información para la construcción de la tasa de cambio. 320 4.3. Resultados de los modelos DCC. Los modelos GARCH permiten eliminar grandes supuestos de otros modelos de pronóstico que no consideran los cambios de volatilidad, como el efecto de los clusters, que hacen que los choques de volatilidad sean persistentes por un tiempo, siendo una realidad inherente a la mayoría de activos financieros la probabilidad de valores atípicos que da lugar a distribuciones de colas pesadas. Es así como dada la dinámica de los activos en el tiempo, el modelo DCC que parte de la modelación de la varianza condicional de cada activo permite analizar, a su vez, la dinámica de la interacción entre las variables de estudio por medio de la correlación. Dentro de los modelos DCC estimados se evidencia que la mayoría de las variables exógenas analizadas, incluyendo las variables significativas en el modelos ARIMAX (Ver Tabla 8) para el tipo de cambio en Colombia, la suma de los parámetros 𝛼𝛼+𝛽𝛽≈1 son cercanas a 1 (Tabla 5). Lo cual significa que tienen una correlación dinámica persistente en el tiempo e indica a su vez la magnitud de reversión a la media, excluyendo las variables índice IBR, índice VIX y los CDS de 10 años que la suma de los parámetros indican correlación que no hay presencia de correlación dinámica condicional. Tabla 5. Parámetros modelo DCC. Pareja D.C.C. (ρ) Alpha (α) Beta (β) (α) + (β) USD/COP _WTI 0.0110 0.9850 0.9960 USD/COP _TES24 0.0190 0.9720 0.9910 USD/COP _TESOROS10Y 0.0180 0.9720 0.9900 USD/COP _MXN 0.0060 0.9830 0.9890 USD/COP _MXEF 0.0160 0.9700 0.9860 USD/COP _CLP 0.0150 0.9700 0.9850 USD/COP _Colcap 0.0240 0.9530 0.9770 USD/COP _DXY 0.0340 0.9240 0.9580 USD/COP _IBR 0.0660 0.5920 0.6580 USD/COP _VIX 0.0280 0.4810 0.5090 USD/COP _CDS10 0.0480 0.0000 0.0480 Fuente: Elaboración propia con datos de Bloomberg (2017). Para el caso de las variables índice IBR, VIX y CDS10 se encontró que no presentan un índice de correlación dinámica significativo contra el par USD/COP. De esta manera, y como se puede observar en el Gráfico 6, las correlaciones DCC presentan estacionariedad por lo cual es preciso decir que son constantes en media y la relación de dependencia frente a la tasa de cambio es estable en el tiempo para el periodo de análisis. Adicionalmente, en la Tabla 6 se presentan los estadísticos descriptivos para las mismas variables, en donde sobresale el exceso de curtosis y baja desviación frente a la media. Gráfico 6. Variables con correlación dinámica estacionaria desde el periodo 2011 al 2017. Fuente: Elaboración propia con datos de Bloomberg (2017). 321 En el Gráfico 7, se presenta la evolución de las correlaciones para las demás variables con correlación dinámica, donde para el WTI, los TES con vencimiento 2024, los Tesoros con vencimiento 10 años, el USD/MXN, el índice MXEF, el USD/CLP, el Índice Colcap y el Índice DXY es evidente la dinámica de la dependencia temporal. Gráfico 7. Correlaciones DCC históricas desde el período 2011 al 2017. Fuente: Elaboración propia con datos de Bloomberg (2017). El modelo DCC para las variables USD/COP - WTI permite inferir que a niveles de petróleo por encima de los 80 dólares por barril, la correlación se ubica entre un -30% al -10% y disminuye cuando se presenta un periodo importante de estabilidad en el precio del crudo tal como el periodo 2013 a 2014 en el que el crudo estuvo en niveles históricamente altos. De esta manera, en periodos de estabilidad para una de las variables más importante para los ingresos del país la fuente de correlación puede disminuir y adquieren importancia otras variables. Sin embargo, una vez se da el choque por la caída de los precios del petróleo a niveles mínimos en el 2015 la correlación llega a niveles cercanos al -60%. La correlación negativa no solo se da con los retornos del precio de petróleo, también para la tasa de los bonos del Tesoro a 10 años y los índices MXEF y Colcap con una media de - 44% y -25% respectivamente, cuando se dan valorizaciones (desvalorizaciones) en los índices se generan presiones de revaluación (devaluación), lo cual puede ser explicado por el apetito de inversionistas extranjeros en los activos locales generando flujos de compra (venta). Adicionalmente, en relación con los flujos al mercado accionario, se ha mencionado en 322 apartados anteriores la existencia de una creencia en el mercado, donde se cree que el mercado accionario es el mejor indicador para anticipar el ciclo económico. En el caso de la correlación con la tasa TES se presenta una fuerte dinámica que puede ser explicada por movimientos en la curva de rendimientos dado decisiones de política monetaria, Outlook de calificadoras como en el 2013 y por rebalanceo de índices internacionales de deuda emergente. A pesar de los cambios que ha tenido a lo largo del tiempo en promedio se ubica en 37% positivo (Tabla 6), una de las correlaciones más altas para el USD/COP y con menor coeficiente de variación de la muestra. No obstante, para el año 2017 se encuentra en niveles mínimos, a razón de que el TES con vencimiento de 2024 había sido durante un largo periodo la referencia más líquida del mercado de deuda pública local por ser la referencia de 10 años según estándares internacionales, pero actualmente su vencimiento corresponde a 7 años dando lugar para que otras referencias capturen la liquidez que normalmente se destinaba a este título. Tabla 6. Estadística descriptiva de las series de correlación dinámica DCC. Correlación USD/COP versus - WTI TES24 TESOROS MXN MXEF CLP Colcap DXY IBR VIX CDS10 Media -0.368 0.373 -0.149 0.445 -0.428 0.535 -0.255 0.257 -0.041 0.317 0.437 Mediana -0.395 0.399 -0.158 0.447 -0.418 0.540 -0.246 0.271 -0.041 0.317 0.437 Máximo -0.071 0.617 0.164 0.542 -0.238 0.664 0.060 0.577 0.241 0.522 0.686 Mínimo -0.624 0.000 -0.436 0.331 -0.618 0.332 -0.560 -0.342 -0.650 0.136 0.194 Desviación 0.135 0.128 0.138 0.036 0.079 0.063 0.106 0.119 0.054 0.029 0.035 Asimetría 0.255 -0.553 0.135 -0.121 -0.251 -0.449 -0.097 -0.836 -2.376 0.243 -0.059 Curtosis 2.223 2.619 1.993 3.618 2.395 2.808 2.965 5.270 31.608 10.387 11.090 Fuente: Elaboración propia con datos de Bloomberg (2017). El índice DXY es de gran relevancia para la formación de las tasas de cambio en el mundo por ser un indicador de la fortaleza del dólar frente a las principales divisas. La correlación observada para el periodo entre los retornos del DXY y los retornos USD/COP se ha ubicado generalmente entre un 20% y 40%, con media 25%, se considera que la relación entre ambas variables tiene memoria de largo plazo. Por último, las variables con mayor media de correlación dinámica son USD/CLP (53%) y USD/MXN (44%), las cuales tienen una dependencia dinámica para el periodo de análisis con la tasa de cambio USD/COP que ha fluctuado desde 33% hasta 66%. Este resultado es congruente con los países de la región dada su dependencia a los precios de materias primas (Commodities) están expuestos a factores externos similares. Es importante resaltar que a pesar del nivel de correlación no es recomendable modelar a partir de las otras monedas de la región para evitar problemas de multicolinealidad con el índice DXY que recoge el movimiento del dólar a través de una canasta de monedas en el mundo. 4.4. Aplicación del modelo ARIMAX-GARCH. Para la introducción de variables exógenas en el modelo ARIMA-GARCH con miras a mejorar la estimación, en primera instancia se realizó un análisis previo de correlaciones promedio (ver Tabla 1) y la aplicación de los modelos DCC con las principales variables que interactúan con la formación del par USD/COP. Posteriormente, se procedió a verificar el nivel de significancia de cada una de las variables que presentaban un nivel de correlación significativa y que en la práctica son observadas por los inversionistas para anticipar movimientos en la tasa de cambio. 323 Una vez fueron identificadas las variables significativas como se estipula en el supuesto III de los modelos ARIMAX, se seleccionaron las siguientes variables: el índice DXY, los TES con vencimiento en julio 2024 y el WTI. Además, se verificó la condición de estacionariedad para los rendimientos diarios para garantizar el cumplimento del supuesto I de las estacionariedad de las series (Tabla 3). En la identificación del modelo ARIMAX se evidencian clusters de volatilidad que, así como en el modelo ARIMA, se modelaron haciendo uno de los modelos ARCH. Sin embargo, también se incluyó la variable Dummy (D1), anteriormente descrita. Antes de realizar un análisis del modelo ARIMAX, se presenta el Test de Causalidad Granger para identificar la causalidad entre las variables seleccionadas (exógenas) y USD/COP (endógena). Como se observa en la Tabla 7 cada uno de los retornos de las variables exógenas tienen un p-valor menor al 5%, dando como resultado el rechazo de la hipótesis nula y se comprueba que causan a la los retornos diarios de los cierres USD/COP. Es muy importante verificar que la relación contraria no se cumple y esto permite afirmar que la selección de variables ha sido bien realizada y que no existen problemas de multicolinealidad como lo busca garantizar el supuesto IV de los modelos ARIMAX. Tabla 7. Test de Causalidad de Granger. Hipótesis Nula Obs F-Estadístico Probabilidad RDXY no causa a la Granger a RCOP 1661 6.010 0.0025 RCOP no causa a la Granger a RDXY 1.213 0.2975 RTES24 no causa a la Granger a RCOP 1661 8.407 0.0002 RCOP no causa a la Granger a RTES24 0.424 0.6548 RWTI no causa a la Granger a RCOP 1661 7.046 0.0012 RCOP no causa a la Granger a RWTI 0.353 0.7024 RTES24 no causa a la Granger a RDXY 1661 0.834 0.4344 RDXY no causa a la Granger a RTES24 0.032 0.9683 RWTI no causa a la Granger a RDXY 1661 0.123 0.8847 RDXY no causa a la Granger a RWTI 0.060 0.9419 RWTI no causa a la Granger a RTES24 1661 2.265 0.1042 RTES24 no causa a la Granger a RWTI 0.732 0.4811 Fuente: Elaboración propia con datos de Bloomberg (2017). Una vez se identificó la presencia de autocorrelación para la variable endógena, se estimó el modelo ARIMAX bajo la previa identificación del ARIMA (9,1,0) y se incluyeron las variables exógenas. Al evaluar el correlograma de los residuos al cuadrado de esta estimación en media (Anexo 6), se evidenció la presencia de dependencia temporal para la varianza, lo cual se corroboró por medio del Test de Heterocedasticidad - ARCH y se afirmó la presencia de efectos ARCH. Esto hace necesario realizar la modelación por medio de la familia ARCH para corregir la dependencia temporal de la varianza en el tiempo. La estimación del modelo bajo los parámetros ARCH, generan como modelo propuesto un ARIMAX (9,1,0) - GARCH (1,1), donde a diferencia del modelo ARIMA (9,1,0) - GARCH (1,1), no es significativo el rezago AR (1). Por último, para garantizar la no autocorrelación serial de los residuos y los residuos al cuadrado, se evaluaron los correlogramas de los mismos (Anexo 7). En este caso, se obtuvieron p-valores mayores al nivel de confianza con el cual se acepta la hipótesis nula, que indica que no hay autocorrelación serial ni en media ni en varianza, razón por la que las estimaciones realizadas son adecuadas para la realización de pronósticos. 324 En la Tabla 8, se presentan los resultados del modelo USD/COP que arrojó un DurbinWatson de 1.943312, el cual se encuentra en el rango contemplado según las tablas de significancias para un modelo con 1650 observaciones y cinco variables exógenas, que requiere un Durbin-Watson inferior a 1.9155 y superior a 1.9249. De esta manera, se da cumplimiento al supuesto II para la estimación de modelos ARIMAX, dado que el Durbin-Watson del modelo estimado no presenta evidencia estadística de autocorrelación. Tabla 8. Resultados del Modelo ARIMAX - GARCH. Ecuación de la Media Variable Coeficiente Error Estándar Estadístico –Z Probabilidad C 0.000113 0.000132 0.856268 0.3918 RDXY(-2) 0.070795 0.026411 2.680478 0.0074 RTES24(-1) 0.064075 0.010809 5.928041 0.0000 RWTI(-1) -0.019595 0.007479 -2.619993 0.0088 D1 0.006156 0.001473 4.179949 0.0000 AR(9) 0.059423 0.025215 2.356681 0.0184 Ecuación de la Varianza Variable Coeficiente Error Estándar Estadístico –Z Probabilidad C 1.15E-07 0.000000 2.39709 0.0165 RESID(-1)^2 0.056433 0.006132 9.203322 0.0000 GARCH(-1) 0.943792 0.005564 169.6181 0.0000 R-squared 0.019825 Mean dependent var 0.000256 Adjusted R-squared 0.016860 S.D. dependent var 0.007449 S.E. of regression 0.007386 Akaike info criterion -7.380615 Sum squared resid 0.090185 Schwarz criterion -7.351244 Log likelihood 6131.220 Hannan-Quinn criter. -7.369729 Durbin-Watson stat 1.943312 Fuente: Elaboración propia con datos de Bloomberg (2017). Una vez se garantiza el cumplimiento de los supuestos de modelo ARIMAX se presentan las siguientes ecuaciones que permiten generar los pronósticos para las series. Ecuación Media Modelo ARIMAX Δ𝑈𝑈𝑈𝑈𝐷𝐷/𝐶𝐶𝐶𝐶𝐶𝐶𝑡𝑡=Δ𝑦𝑦𝑡𝑡 Δ𝑦𝑦𝑡𝑡= 0.00011 + 0.070795𝑅𝑅𝐷𝐷𝑅𝑅𝑌𝑌𝑡𝑡−2+ 0.064075𝑅𝑅𝑅𝑅𝐸𝐸𝑈𝑈24𝑡𝑡−1−0.019595𝑅𝑅𝑊𝑊𝑅𝑅𝑅𝑅𝑡𝑡−1+ 0.059423𝑦𝑦𝑡𝑡−9+ 0.006156D1 (20) Ecuación Varianza modelo GARCH 𝜎𝜎𝑡𝑡2=1.15E-07 + 0.056433𝜀𝜀𝑡𝑡−1 2+ 0.943792𝜎𝜎𝑡𝑡−1 2 (21) Según el modelo obtenido, el índice DXY es una de las variables exógenas que más relevancia tiene para explicar el comportamiento del par USD/COP y esto es coherente con la situación actual de la globalización de los mercados financieros y más para el caso de Colombia donde los principales tenedores de la deuda soberana (TES) después de los fondos de pensiones y cesantías son los fondos de capital extranjero que desde el 2011 han pasado de tener una partición cercana al 5% para alcanzar niveles superiores el 25% del total de deuda soberana en pesos, según reportes de tenedores de deuda publicados mensualmente por el Banco de la República. Por esta razón, el DXY es un índice que captura el valor del dólar en el mundo y que se ve afectado por los temas geopolíticos, políticos, normalización monetaria de la FED, crecimiento mundial y precio de las materias primas, lo que genera un efecto inmediato en la devaluación o revaluación de monedas de economías emergentes como Colombia dependiente altamente de flujos de capital extranjero. Así, un movimiento del 1% en los rendimientos del 331 Frenkel, J.A., & Mussa, M.L. (1985). Chapter 14 Asset markets, exchange rates and the balance of payments, Handbook of International Economics, 2, 679-747. Gioqinang, Z., & Hu, M.Y. (1998). Neural network forecasting of the British Pound/US Dollar exchange rate. Omega, 26(4), 495-506. Gómez, J., & Hernández, J.M. (2011). Composición cambiaria y Poder Adquisitivo de las reservas internacionales. Borradores de Economía, Banco de La Republica, (654). González, C. (2003). Nuevas perspectivas del análisis técnico de los mercados bursátiles mediante el aprendizaje automático. Aplicaciones al índice general de la bolsa de Madrid. Resarch Gate. Recuperado de: http://hdl.handle.net/10553/2156 Granger, C.W. (1986). Investigating Causal Relations by Econometric Models and Crossspectral Methods. Econometrica: Journal of the Econometric Society, 37(3), 424-438. Hassan, M. K., Kayhan, S., & Bayat, T. (2017). Does credit default swap spread affect the value of the Turkish LIRA against the U.S. dollar? Borsa Istanbul Review, 17(1), 1-9. Jalil, M.A., & Misas, M. (2007). Evaluaciòn de pronòsticos del tipo de cambio utilizando redes neuronales y funciones de pèrdida asimètricas. Revista Colombiana de Estadistica, 30(1), 143-161. Julio, B., & Yook, Y. (2016). Policy Uncertainty , Irreversibility , and Cross-Border Flows of Capital Federal Reserve Board of Governors. Journal of International Economics, 103, 13-26. Kamruzzaman, J., & Sarker, R.A. (2003). Forecasting of currency exchange rates using ANN: a case study. Neural Networks and Signal Processing, 1, 793-797. Kim, B.-H., Kim, H.-K., & Oh, K.-Y. (2009). The purchasing power parity of Southeast Asian currencies: A time-varying coefficient approach. Economic Modelling, 26(1), 96-106. Krugman, P.R., Obstfeld, M., & Melitz, M.J. (2012). Economía international: Teoría y política. Pearson. Lothian, J.R., & Taylor, M.P. (1996). Real exchange rate behavior: the recent float from the perspective of the past two centuries. Journal of Political Economy, 104(3), 488-509. MacDonald, R., & Marsh, I.W. (1997). On Fundamentals and Exchange Rates: A Casselian Perspective. The Review of Economics and Statistics, 79(4), 655-664. Majhi, R., Panda, G., & Sahoo, G. (2009). Efficient prediction of exchange rates with low complexity artificial neural network models. Expert Systems with Applications, 36(1), 181189. Malkiel, B.G. (2015). A Random Walk Down Wall Street: The Time-Tested Strategy for Successful Investing (10th Edition). W W Norton & Co Inc, 496. Mandelbrot, B. (1963). The Variation of Certain Speculative Prices The Variation of Certain Speculative Prices. The Journal of Business, 36(4), 394-419. Marsh, I.W., & Sarno, L. (2012). Handbook of Exchange Rates. Handbook of Exchange Rates. 332 Medeiros, R., & Júnior, J.L.R. (2009). O Relacionamento entre a Taxa de Câmbio R $/US $ e Fundamentos (No. wpe_190). Insper Working Paper, Insper Instituto de Ensino e Pesquisa. IBMEX Sao Paulo. Meese, R., & Rogoff, K. (1983). The Out-of-Sample Failure of Empirical Exchange Rate Models : Sampling Error or Misspecification ? In Exchange rates and international macroeconomics. University of Chicago Press, pp. 67-112. Murcia, A., & Rojas, D. (2015). Determinantes de la tasa de cambio en Colombia: un enfoque de microestructura de mercados. Ensayos Sobre Política Económica, 33(74), 207-219. One Financial Markets, & CB Financial Services Ltd. (2012). UK Brent Oil. Recuperado de: https://www.onefinancialmarkets.com/market-library/uk-brent-oil Ordoñez, M.L. (2016). Riesgo y volatilidad del tipo de cambio en Colombia, evaluación y pronóstico 2000 - 2006. Revista FACE, 2, 33-57. Pacelli, V. (2012). Forecasting Exchange Rates: a Comparative Analysis. International Journal of Business and Social Science, 3(10), 145-156. Panda, C., & Narasimhan, V. (2007). Forecasting exchange rate better with artificial neural network. Journal of Policy Modeling, 29(2), 227-236. Parisi, A., Parisi, F., & Cañas, E. (2002). Reglas simples de analisis tecnico y modelos autprregresivos en el mercado cambiario chileno entre 1995 al 2001. Estudios de Administración, 9(2), 69-88. Pektaş, A.O., & Kerem, H. (2013). ANN hybrid model versus ARIMA and ARIMAX models of runoff coefficient. Journal of Hydrology, 500, 21-36. Peter, Ď., & Silvia, P. (2012). ARIMA vs. ARIMAX - which approach is better to analyze and forecast macroeconomic time series ? Proceedings of 30th International Conference Mathematical Methods in Economics, 2, 136-140. Reboredo, J.C. (2012). Modelling oil price and exchange rate co-movements. Journal of Policy Modeling, 34(3), 419-440. Rime, D., Sarno, L., & Sojli, E. (2010). Exchange rate forecasting, order flow and macroeconomic information. Journal of International Economics, 80(1), 72-88. Rojas, M.E., & Duque, A.F. (2014). Colombia sobre el producto interno bruto , la inversión extranjera directa y la balanza comercial. Escuela de Ingenieria de Antioquia. Recuperado de: http://repository.eia.edu.co/bitstream/11190/238/1/ADMO0817.pdf Samuelson, P.A. (1965). Proof that properly anticipated prices fluctuate randomly. IMR; Industrial Management Review, 6(2), 41-49. Serwa, D., & Bohl, M.T. (2005). Financial contagion vulnerability and resistance: A comparison of European stock markets. Economic Systems, 29(3), 344-362. Stein, J. L., & Allen, P. R. (1997). Fundamental determinants of exchange rates. United Kingdom: Clarendon Press, Oxford. 333 Syllignakis, M.N., & Kouretas, G.P. (2011). Dynamic correlation analysis of financial contagion: Evidence from the Central and Eastern European markets. International Review of Economics & Finance, 20(4), 717-732. Taylor, M.P. (2009). Editorial: Long-run purchasing power parity and real exchange rates: introduction and overview. Applied Economics Letters, 16(1), 1-4. Tosoni, G.A. (2011). Necessary Levels, Costs and Policies for International Reserves in Latin America. Economía Mexicana Nueva Época, XX(1), 145-180. Recuperado de: http://ideas.repec.org/a/emc/ecomex/v20y2011i1p145-180.html Uribe, J., Jiménez, D., & Fernández, J. (2015). Regímenes de volatilidad del tipo de cambio en Colombia e intervenciones de política, LXXIV(100), 1-31. Velásquez, D.J., & González, L.M. (2006). Modelado del índice de tipo de cambio real colombiano usando redes neuronales artificiales. Cuadernos de Administración, 19(32), 319-336. Recuperado de: http://www.redalyc.org/articulo.oa?id=20503213 Wu, C.C., Chung, H., & Chang, Y.H. (2012). The economic value of co-movement between oil price and exchange rate using copula-based GARCH models. Energy Economics, 34(1), 270-282. Zalduendo, J. (2006). Determinants of Venezuela’s Equilibrium Real Exchange Rate. IMF Working Paper, WP/06/74, 3-17. 334 Anexos Anexo 1. Descripción de las variables exógenas analizadas desde su impacto a la tasa de cambio en Colombia. Variable Descripción CDS Credit Defaul Swap es un derivado financiero el cual representa el intercambio de riesgo crédito de una nación con otra, en términos de país se intercambia el riesgo país de Colombia contra el de Estados Unidos. Ésta es una variable de seguimiento constante por inversionistas, es la prima de riesgo y brinda señales del mercado de la confianza de los inversionistas por un emisor. En otras palabras el CDS es conocido como la prima de riesgo (Ver Gráfico 1) En el caso de correlación con la tasa de cambio, observamos que los CDS al representar el riesgo país ajustado día a día a las condiciones de mercado, influencia el comportamiento de la tasa de cambio por medio de los flujos de capital. Órdenes del mercado El mercado cambiario en Colombia está conformado por todas las operaciones de negociación de la divisa peso/dólar realizadas a través de los Intermediarios del Mercado Cambiario (IMC), los cuales son conformados por Bancos Comerciales, los bancos hipotecar ios, las corporaciones financieras, las compañías de financiamiento comercial, la FEN, Bancoldex, las cooperativas Financieras, las sociedades comisionistas de Bolsa y las casas de cambio. Los análisis de microestructura lo que buscan es medir la profundidad del mercado por medio de la diferencia entre el bid (Compra) y ask (Venta). Forwards TRM La tasa Forward TRM nos permite conocer las expectativas de los agentes del mercado en un instante superior al T+1, donde sería una fuente primaria de información para conocer la tendencia de corto plazo. Dólar vs Pares del peso en la Región La globalización lleva a ver el mundo como un todo y a su vez en el caso de Latinoamérica es para los inversionistas del mundo una región, por lo cual el comportamiento de pares como Pesos Mexicanos contra dólar, Reales, chilenos y Sol peruano son altamente correlacionados con la tasa de cambio en Colombia; por lo que es considerado como una variable de impacto. PIB El producto interno bruto representa el crecimiento de una economía en función de la producción de bienes y servicios, generada por nacionales residentes en el país y por extranjeros residentes en el país, y excluye la producción de nacionales residentes en el exterior . El indicador de preferencia de la salud de una economía, para la estimación de la tasa de cambio es importante comprender la actividad económica principal del país, su ciclo y las perspectivas futuras. Los inversionistas deben realizar seguimiento del crecimiento local y global, tener un mapa de cómo se distribuirá y cuales es la tendencia. Inflación El costo de la calidad de vida en el país, es la preocupación principal del Banco central; principalmente en economías como la colombiana donde se tiene un target de inflación objetivo del 2%-4%. La autoridad monetaria debe implementar políticas que permitan que la inflación converja al target, sin embargo esas políticas tiene repercusión económicas relevantes en términos de crecimiento y TRM, como lo trabaja (Chavrro & Grautoff, 2010). Tasa de interés local La tasa de interés de intervención es el instrumento de política monetaria que el Banco central utiliza para buscar un equilibrio en la inflación, a su vez es importante para los inversionistas el nivel de tasas de interés porque es un catalizador de la economía en términos de liquidez y rentabilidad real. Donde a niveles altos de tasa reales los inversionistas extranjeros se pueden ver motivados a ingresar recursos. 335 Variable Descripción Tasa de interés EEUU La tasa de interés de la FED así como la de Colombia es una guía de inversión, dado que si hay una mayor tasa de interés en un país como EEUU, lo inversionistas prefieren fly to quality que realizar inversiones en países emergentes con mayor nivel de riesgo. La política monetaria de Estados Unidos es un factor de vital importancia para determinar hacia donde están yendo los flujos de capital. Al ser considerado como una de las economías más seguras, y sus bonos soberanos son considerados como bonos libres de riesgo, tal vez los bonos más seguros que existen. Política Monetaria OP CALL – PUT, Tasa de Intervención. Aplicación de los instrumentos de política monetaria, pueden mitigar la volatilidad de la tasa de cambio en el caso de las opciones put y call, el objetivo de esta intervención es disminuir el impacto antes choques de mercado, pero es difícil que la aplicación de estos instrumentos genere un cambio de trayectoria en la tasa de cambio. Cuenta Corriente Registro de las transacciones de Colombia con el resto de mundo, en otras palabras, es la relación entre las exportaciones e importaciones. La cuenta corriente un indicador de los movimientos reales de la oferta y demanda de divisas en nuestro país Flujos de Capital e Inversión Extranjera Directa Esta variable es finalmente la respuesta a una mejor perspectiva de riesgo y rentabilidad de los inversionistas extranjeros, donde la destinación de recursos para inversión migra a países como Colombia. La inversión extranjera es parte de la cuenta financiera dentro de la balanza de pagos, y su vez se constituye por inversión extranjera directa e inversión de portafolio. La inversión extrajera de capital tiene mayor importancia, dado que permanece mucho más tiempo en el país y los flujos son mayores en contraste con la inversión de portafolio que es más cíclica y sensible a las condiciones globales de la economía de la región y el país. Calificación El riesgo soberano es medido y clasificado en determinados rangos por empresas especializadas a nivel internacional, las cuales juegan un papel muy importante desde el punto de vista de los inversionistas, ya que se pronuncian sobre el riesgo soberano de los países que emiten deuda en los mercados internacionales, y sirven para determinar la prima de riesgo. Para dicho fin, se evalúan aspectos coyunturales que puedan representar situaciones de riesgo para el inversionista, abarcando temas relacionados con lo económico, lo político, lo social y lo internacional (a nivel de legislaciones). La calificación nación y los diferentes outlooks de las principales calificadoras, tienen un impacto indirecto en la tasa de cambio y esto se da porque cuando la calificación es positiva hay un mayor flujo de inversionistas extranjeros por lo contrario si es negativo el saldo de flujos negativo genera una depreciación de la moneda local. El resultado de la calificación tiene impacto en el variables como el PIB, Cuenta corriente y IED 9 (Rojas & Duque, 2014). Reservas Internacionales Las reservas internacionales están formadas por los activos externos que están bajo control de la autoridad monetaria, particularmente en Colombia el Banco de la República. El Banco mantiene reservas internacionales en cuantías que considera suficientes para intervenir en el mercado cambiario y para facilitar el acceso del Gobierno y del sector privado a los mercados internacionales de capitales. Las reservas internacionales se han constituido en una herramienta esencial para los bancos centrales de todo el mundo. El mantenimiento de un adecuado nivel de las mismas sostiene la confianza en las medidas monetarias que adoptan y permite mantener la capacidad de intervención para moderar fluctuaciones excesivas en la unidad monetaria nacional (Gómez & Hernández, 2011). 9 Inversión extrajera directa. 336 Variable Descripción La intervención en el mercado cambiario es uno de los instrumentos de los que dispone el Banco para cumpli r con el objetivo básico de mantener una tasa de inflación estable dentro del rango meta de largo plazo (2% a 4%) y lograr que el producto crezca alrededor de su tendencia de largo plazo. Por ejemplo, cuando una depreciación rápida del peso amenaza el logro de las metas de inflación, el Banco puede mitigar las presiones cambiarias mediante la venta de divisas en el mercado, evitando recargar el ajuste exclusivamente en la tasa de interés. Así mismo, el Banco puede intervenir en el mercado cambiario con el p ropósito de controlar movimientos atípicos o bruscos de la tasa de cambio, caracterizados por una alta volatilidad y por la ampliación significativa del margen entre el precio de compra y el de venta de la divisa, los cuales pueden influir sobre el desempeño de otros activos financieros conectados con el mercado cambiario y comprometer el objetivo del funcionamiento adecuado de los pagos internos y externos. Commodities (Petróleo) La economía colombiana en los últimos años ha tenido una alta dependencia en el sector minero energético, donde para el 2014 las exportaciones de este sector llegaron a pesar el 60%; algunos analistas han llegado a catalogar esta dependencia con el nombre de enfermada holandesa10. Durante los años de bonanza del petróleo el cual alcanzo en referencias como la WTI valores por encima de los 100 dólares y una tasa de cambio que oscilaba entre los 1500 - 1900, el crecimiento de la economía colombiana se veía catapultada y los ingresos de la nación que en un alto porcentaje se componían de las utilidades de Ecopetrol11 (ver Gráfico 3). En este sentido en economías con alta dependencia a los precios de los commodities, en este escenario Petróleo; la tasa de cambio es la variable que primero se ajusta a un choque en el nivel de producción y precio internacional de Petróleo y se agudiza dado que Colombia es una economía pequeña y abierta y tiene un régimen cambiario en el que la tasa de cambio flota con ligeras intervenciones marginales del Banco de la República. En la matriz de correlaciones se observa que para los diferentes periodos de análisis la correlación existente entre la TRM y Petróleo (Referencia genérica fuente Bloomberg) es inversa (ver Gráfico 3 y Tabla 1). Esto quiere decir que cuando caen los precios de petróleo, la tasa de cambio se eleva porque ingresan menos dólares a la economía. Índices Internacionales Los índices internacionales de deuda soberana como lo son índices de mercados soberanos de deuda creados por JP Morgan, conocidos como GBI-EM (GBI-EM Global Diversified y en el GBI-EM Global) y el MXEF. Son relevantes para el mercado dado que movimientos en la participación de Col ombia en estos índices generan movimientos de flujo, estos índices son un referente a nivel mundial para los inversionistas. Estos índices son rebalanceados trimestralmente. Expectativas Analistas y Encuestas de Mercado El conocimiento de los expertos realmente es una de las variables más importantes a pesar de los sesgos por subjetividad y conflictos de interés, el mercado de valores en el mundo está siendo cada vez más consiente que la visión a futuro no la da solo las cifras históricas y los modelos de proyección y pronóstico . Por ejemplo, hoy la economía global ha continuado con menores tasas de crecimiento desde la crisis suprime, por 10 Término que significa el crecimiento acelerado de un sector en la economía, en este caso el sector minero energético, crecimiento de ingresos por exportaciones de ese sector generan entradas desmedida de divisas al país y generan una dependencia que afecta la competitividad de la industria y el agro. 11 Ecopetrol S.A. es la empresa más grande del país con una utilidad neta de $15,4 billones registrada en 2011 y la principal compañía petrolera en Colombia. Por su tamaño, pertenece al grupo de las 40 petroleras más grandes del mundo y es una de las cuatro principales de Latinoamérica.(Ecopetrol S.A., 2016) 337 Variable Descripción ciclo económico la tendencia sería una recuperación en el corto plazo, pero la reali dad es que existen factores de incertidumbre, presiones económicas y políticas que no hacen tan factible este cambio de tendencia para los analistas. Inclusive en el caso local, la inflación en Colombia llegó a máximos históricos desde 1993 en una tendencia alcista, donde los modelos técnicos y los ciclos anticipaban una corrección superior a 200 pb12 para cierre de 2016, pero constantes choques en términos de transables, alimentos y energía no pintan un panorama tan claro de corrección para los especialistas del mercado. Es en este sentido que es importante considerar las visiones de los analistas dentro de los modelos de pronóstico y modelamiento de las tasas de interés, a su vez quizás no sea solo una visión acertada, lo que lleva a las variables a ubicarse al nivel de las proyecciones de los analistas: si no adicional a esto la psicología de los agentes ayuda a que estos niveles sean mucho más realizables. Liquidez Un mercado se considera líquido cuando hay compradores y vendedores dispuestos a realizar operaciones de compra/venta en cualquier momento y a cualquier nivel de precios en el que cotice el activo. Una forma práctica de medir esta variable es con el spread entre las órdenes de compra y venta en un momento específico de tiempo, éste se construye con la diferencia entre la mejor orden de compra y venta (el precio más alto en el bid y más bajo en el ask respectivamente). Cuanto menor sea esta diferencia, más líquido estará el mercado en ese instante de tiempo. La falta de liquidez hace que este spread entre el bid y ask sea más amplio, y por tanto es más probable que se generen movimientos de mayor rango en los precios, lo que aumenta la volatilidad en estos momentos de poca liquidez. Los datos de bid y ask se pueden descargar desde la plataforma SET-FX en el intervalo de tiempo deseado. Deuda Soberana La curva de rendimientos es una guía de inversión, los inversionistas extranjeros están motivados a invertir en economías como Colombia, dado que encuentran una prima en términos de tasa al comprar con las potencias mundiales que en la actualidad tienen tasas por debajo del 1%, inclusive negativas. Es importante para el mercado identificar los movimientos en términos de deuda, liquidez y emisiones, dado que puede motivar la entrada o salida de flujos de inversión. Dollar Index DXY Este índice muestra la actualizad del dólar si se aprecia o deprecia frente a las principales monedas de la región, su función está basada en comparar el comportamiento del estadounidense frente a las principales seis divisas del mundo, euro, yen japonés, libra esterlina, dólar canadiense, corona sueca y el franco suizo. La composición del índice actualmente es dólar-euro (57.6%), dólar-yen japonés (13.6%), dólar-libra esterlina (11.9%), dólar-dólar canadiense (9.1%), dólar-corona sueca (4.2%), dólar-franco suizo (3.6%). Este índice permite a los operadores tener señales del mercado rápidas para prever cómo va reaccionar la moneda local. Tasa de Cambio de equilibrio La tasa de equilibrio está expresada en función de los valores sostenibles de los fundamentales macroeconómicos en el tiempo, existen diferentes metodologías para su cálculo como la teoría de paridad del poder adquisitivo (PPA), postula que el precio doméstico de los bienes está determinado por el precio internacional medido en moneda local, y que la tasa de cambio nominal debe compensar los diferenciales de inflación entre países. Ello lleva a una tasa de cambio real constante en la versión relativa de la PPA o igual a 1 en su versión absoluta. Sin embargo la 12 Puntos básicos, inflación actual 3.97% octubre de 2017, pronósticos del gobierno cierre de 2017 dentro del rango meta, mientras que el mercado espera que cierre alrededor de 4.15%. 338 Variable Descripción historia muestra que la tasa de equilibrio no es estática en el tiempo (Echavarría et al., 2007). Autores como Echavarría et al. (2007) obtienen un efecto importante para dicha variable, pero éste desaparece en el muy largo plazo. Otros autores afirman que la relación entre la tasa de cambio nominal y real simplemente indica que, a diferencia de lo que sugieren los modelos nominales, los shocks reales también afectan la tasa de cambio nominal (Krugman, Obstfeld, & Melitz, 2012). Noticias En general las noticias locales e internacionales con impacto económico y coyuntural generan choques en los niveles de la tasa de cambio, algunos analistas se han preocupado por generar modelos con choques por información. Existen diferentes tipos de noticias como las imprevistas de coyunturas, conflictos, descubrimientos y desastres naturales, entre otros y noticias de revelación de datos que el mercado conoce con antelación la fecha en la que se va a dar información como son la revelación de indicadores macroeconómicos, la aprobación de leyes y la aplicación de políticas. Es importante tener en cuenta cómo se interpretan estas noticias por el mercado. No es tan importante si la noticia fue mala o buena, sino que tan alejada fue la noticia con respecto a lo esperado por el mercado. Los mercados financieros descuentan con el movimiento en los precios el resultado de estas noticias antes de que sean publicadas; si el mercado espera en dato malo en la próxima noticia de inflación, lo más común es que desde meses o días atrás el mercado haya descontado los efectos de esta noticia, por tanto, cuando salga en línea con lo que el mercado esperaba, lo más probable es que no se presenten cambios significativos en las cotizaciones de los activos. Así pues, lo que genera más volatilidad y cambio en los precios, son las noticias que se alejan mucho de lo que el mercado en general está esperando. Este efecto es posible medirlo mediante la construcción de una variable de sorpresa, que cuantifica cuánto sorprendió al mercado una noticia. Otras Variables como Desempleo, salarios, confianza del consumidor e índice de precios de productor no se consideran determinantes de la tendencia por sí solos, pero son incluidos de forma indirecta dentro de las demás variables. Fuente: Elaboración propia. 339 Anexo 2. Correlograma Retornos diarios TRM. Con un nivel de confianza del 5% se rechaza la hipótesis nula de no autocorrelación serial, dado que todos los p-valor son igual a cero. Fuente: Elaboración propia. Anexo 3. Comparación Modelos ARIMA. Se selecciona el modelo ARIMA (9,1,0) como el mejor modelo para la estimación del par USD/COP. Modelo / Criterios ARIMA (9,1,0) ARIMA (1,1,0) R-squared 0.009248 0.004608 Adjusted R-squared 0.007453 0.003406 Akaike info criterion -7.369054 -7.366083 Schwarz criterion -7.346222 -7.346512 Hannan-Quinn criter. -7.360592 -7.358829 Durbin-Watson stat 2.004227 2.014018 Fuente: Elaboración propia. Autocorrelación Correlación Parcial AC PAC Q-Stat Prob |* | |* | 10.19 0.19 63.40 0.00 | | | | 2-0.02 -0.06 64.31 0.00 | | | | 3-0.02 0.00 64.77 0.00 | | | | 40.00 0.00 64.77 0.00 | | | | 50.00 0.00 64.77 0.00 | | | | 60.00 0.01 64.80 0.00 | | | | 7-0.02 -0.02 65.42 0.00 | | | | 80.03 0.04 67.15 0.00 | | | | 90.06 0.05 73.29 0.00 | | | | 10 0.00 -0.02 73.31 0.00 | | | | 11 -0.03 -0.03 75.00 0.00 | | | | 12 -0.02 -0.01 75.70 0.00 | | | | 13 0.01 0.02 76.02 0.00 | | | | 14 0.02 0.01 76.81 0.00 | | | | 15 0.00 -0.01 76.81 0.00 | | | | 16 0.00 0.00 76.81 0.00 | | | | 17 0.00 -0.01 76.84 0.00 | | | | 18 -0.02 -0.02 77.21 0.00 | | | | 19 0.01 0.01 77.26 0.00 | | | | 20 0.04 0.04 80.12 0.00 340 Anexo 4. Correlograma Residuos al cuadrado modelo ARIMA. Se comprueba el efecto ARCH con un p-valor de 0, se rechaza la hipótesis nula de no presencia de efecto ARCH. Fuente: Elaboración propia. Anexo 5. Correlograma de los residuos y los residuos al cuadrado Modelo ARIMA (9,1,0) - GARCH (1,1). Con un nivel de confianza del 5% se acepta la hipótesis nula de no autocorrelación serial, dado que todos los p-valor son mayores a 5%, los residuos del modelo no están autorrelacionados y son ruido blanco. Fuente: Elaboración propia. Autocorrelación Correlación Parcial AC PAC Q-Stat Prob 10.17 0.17 49.85 0.00 20.16 0.13 90.20 0.00 30.19 0.15 149.46 0.00 40.15 0.09 187.80 0.00 50.10 0.03 203.47 0.00 60.11 0.05 224.59 0.00 70.19 0.14 286.46 0.00 80.11 0.03 307.50 0.00 90.12 0.05 331.64 0.00 10 0.12 0.04 356.85 0.00 11 0.13 0.05 386.48 0.00 12 0.12 0.04 409.39 0.00 13 0.19 0.12 471.71 0.00 14 0.16 0.06 513.51 0.00 15 0.17 0.08 561.12 0.00 16 0.14 0.03 594.19 0.00 17 0.11 0.00 615.24 0.00 18 0.15 0.05 653.13 0.00 19 0.10 0.00 670.47 0.00 20 0.11 0.01 690.71 0.00 Autocorrelación Correlación Parcial AC PAC Q-Stat Prob Autocorrelación Correlación Parcial AC PAC Q-Stat Prob 10.00 0.00 0.01 10.01 0.01 0.29 0.59 20.04 0.04 3.06 20.05 0.05 4.12 0.13 30.00 0.00 3.06 0.08 30.03 0.03 5.35 0.15 40.00 -0.01 3.08 0.22 40.00 -0.01 5.37 0.25 50.00 0.00 3.08 0.38 50.02 0.02 5.87 0.32 60.01 0.01 3.29 0.51 6-0.04 -0.04 8.23 0.22 70.00 0.00 3.29 0.66 70.03 0.02 9.24 0.24 80.02 0.02 4.07 0.67 8-0.01 0.00 9.28 0.32 90.01 0.01 4.13 0.77 90.01 0.01 9.51 0.39 10 -0.04 -0.05 7.24 0.51 10 -0.02 -0.02 10.26 0.42 11 0.05 0.05 11.60 0.24 11 0.00 0.01 10.28 0.51 12 -0.03 -0.03 13.14 0.22 12 -0.01 -0.01 10.51 0.57 13 0.01 0.01 13.43 0.27 13 -0.02 -0.02 11.46 0.57 14 0.03 0.03 14.66 0.26 14 0.03 0.03 12.63 0.56 15 0.00 0.00 14.69 0.33 15 -0.01 -0.01 12.88 0.61 16 0.01 0.01 15.02 0.38 16 0.02 0.02 13.52 0.63 17 -0.02 -0.02 15.73 0.40 17 0.01 0.02 13.86 0.68 18 -0.01 -0.01 15.99 0.45 18 -0.02 -0.02 14.47 0.70 19 -0.02 -0.02 16.50 0.49 19 -0.03 -0.03 15.94 0.66 20 0.04 0.04 18.80 0.41 20 -0.04 -0.03 18.27 0.57 Residuos al Cuadrado Residuos