www.elsevier.es/cesjef
Cuadernos de economía
ARTÍCULO
Integración, contagio financiero y riesgo bursátil:
¿qué nos dice la evidencia empírica para el periodo 1995-2016?
Pedro V. Piffaut
ay Damià Rey Miró
b,c,∗aFTIConsulting,NuevaYork,EstadosUnidos
bDepartamentodeTeoríaEconómica,UniversidaddeBarcelona,Barcelona,Espa˜na
cServiciodeEstudios,BolsadeBarcelona,BME,Barcelona,Espa˜na
Recibidoel6deseptiembrede2016;aceptadoel6deseptiembrede2016 DisponibleenInternetel10deoctubrede2016
CÓDIGOSJEL C1;
C3;
C5;
C10;
C32;
C53;
F36;
G01;
G10;
G15
PALABRASCLAVE Contagiofinanciero;
Correlación;
ModeloGARCHDCC;
Riesgofinanciero
Resumen Elcontagiose define generalmentecomo la correlación entrelosmercados por encimade loqueya estáimplícito enlospropios fundamentosde losactivossubyacentes;
sinembargo,existeundesacuerdoconsiderablesobrelasdefinicionesdelosfundamentosylos mecanismosquevinculandichosrendimientosdelosactivos.Lapresenteinvestigaciónpretende capturarydetectarelcontagioentrelosprincipalesíndicesbursátilesaniveldelosmercados deEstadosUnidos,EuropayAsia.
© 2016Asociaci´onCuadernosde Econom´ıa. Publicadopor ElsevierEspa˜na, S.L.U.Todoslos derechosreservados.
∗Autorparacorrespondencia.
Correoelectrónico:[email protected](D.ReyMiró).
http://dx.doi.org/10.1016/j.cesjef.2016.09.003
0210-0266/©2016Asociaci´onCuadernosdeEconom´ıa.PublicadoporElsevierEspa˜na,S.L.U.Todoslosderechosreservados.
JELCLASSIFICATION C1;
C3;
C5;
C10;
C32;
C53;
F36;
G01;
G10;
G15
KEYWORDS Financialcontagion;
Correlation;
GARCHDCC;
Financialrisk
Integration,financialcontagionandsecuritiesrisk:Empiricalevidencefortheperiod 1995-2016
Abstract Contagionisgenerallydefined asthecorrelationbetweenmarketsabovewhat is alreadyimplicitinthefundamentalsoftheunderlyingassets.However,thereisconsiderable disagreementondefinitionsofthefoundationsandthemechanismsthatlinktheseassetreturns.
Thepresentstudyaimstocaptureanddetectthespreadbetweenthemainstockindicesinthe UnitedStates,EuropeandAsiamarkets.
© 2016 Asociaci´on Cuadernos de Econom´ıa. Published by Elsevier Espa˜na, S.L.U. All rights reserved.
1. Introducción
El crecienteprocesodeglobalizacióneconómica acaecido durantelas2últimasdécadashacoadyuvadoalaintegración delosmercadosfinancieros,propiciandodeeste modoun altogradodedependenciaentreellos.Consecuentemente, hadespertadograninterésporpartedelosinversores,aca- démicosyentidadesreguladorasconcitando,porunaparte, lacrecientevolatilidadobservadaentrelosmercadosfinan- cieros,ydeotra,el desarrollodemodelos econométricos queseancapacesdeestudiardemejorformalaevoluciónde lasvariablesfinancierasyasípodercomprenderlosfactores asociadosasusfluctuaciones.
La crisis financiera iniciada en 2008 ha comportado ense˜nanzas notables enel mundofinanciero.Sin duda, la caídadeLehmanBrothersmarcóunpuntodeinflexiónenla crisisypropicióunarepercusiónanivelglobalenelsistema financiero.Elefectocontagioquehuboenlosmercadospro- vocóunreplanteamientodelateoríadelriesgosistemático1 delpropiomercado.Así,diversosestudiosconcluyenquela mayoría delosmercadosdecapitales internacionales han incrementado suintegracióny,porende, unmayor riesgo sistemático.Concretamente,enla medidaquelosmerca- dossevuelvenmásintegrados,losefectosenellargoplazo compartentendenciascomunes(Kasa,1992).
El entorno de globalización, las plataformas High- Frequency Trading (HFT), la existencia de mecanismos y vehículosde transmisión cada vez más grandes,así como laintensificacióndelasrelacioneseconómicasyfinancieras entrelospaíses,hacenmásprobablequelosmercadosse influyanentresí. Esmás,es vitalobservarlas correlacio- nesexistentesconlosdiferentesactivossubyacentes,tales comolarentafija,lasdivisasoloscommodities,puessir- vendeguíaparadetectarfuturoscontagiosyasídetectar losnivelesdeestrésenlossegmentosdemercadosconside- rados.
1Riesgosistemáticoseconsideracuandoseoriginaunproblema financieroy esteacabateniendo una repercusiónnegativaen la actividadeconómica.
Durante los últimos a˜nos, entes privados, supervisores financieroseinstitucionesinternacionalescomoelFMIyel BancoMundialsehanfocalizadoenelanálisisdelaidenti- ficación,lagestiónylamitigacióndelriesgosistemático.A niveleuropeo,laJuntaEuropeadeRiesgoSistemático(Euro- peanSystemicRiskBoard)hadesarrolladoyagregadovarias interconexionesexistentesentrelosmercados.Engeneral, los principales indicadores de riesgo van asociados a las primasderiesgo, alas volatilidades,a las condicionesde liquidezoalascaídassustancialesdepreciosdelosactivos financieros.
Dadaladinámicadelosmercadosfinancieros,losauto- resevidencianquelatransmisióndelcomportamientodelos rendimientosyla volatilidad delmercado estadounidense ejercen una influencia significativa en losrendimientos y volatilidades en el resto de mercados. Ciertamente esta influenciapuededetectarseobservandoelpesorelativode losíndicesestadounidensesenlosíndicesbursátiles,hecho quereflejasumayorgradodemadurez.
Lalíneadeinvestigacióndelpresentetrabajopretende capturarydetectar el contagioentrelos principalesíndi- ces bursátiles anivel estadounidense, europeo yasiático.
Paraello,sehaestructuradoen3grandespartes;enlapri- meradeellassehadesarrolladoelmodelodeDCCGARCH,a travésdelcualsepretendeevidenciarlaexistenciadecorre- laciónentrelosdiferentesíndicesbursátilesconsiderados.
Ensegundolugarseestudiaelefectocausal(correlaciónno implicacausalidad)entrelosíndicesatravésdelaprueba deGranger.Finalmente,conelobjetivodeasegurarlacon- sistenciadelosresultados,serealizalapruebadeJohansen parapoder aceptar la hipótesis nula de que las variables incluidasenlosmodelosnoestáncointegradas.
2. Literatura existente
Lanaturalezay dinámica heterocedásticaquecaracteriza alos mercadosfinancieros esampliamente aceptada, por lo que un modelo autorregresivo de heterocedasticidad condicional(AutoregressiveConditionalHeteroskedasticity [ARCH])esuncandidatonaturalparasumodelación,siendo
reconocidoyestudiadopornumerososautores,entreellos BaillieyBollerslev(1989,1991),Hsieh(1988,1989a,1989b), DieboldyNerlove(1989),Milhøj(1987),Engleetal.(1990) yVlaaryPalm(1993),entreotros.
Porotraparteydebidoalhechodequelavolatilidadaso- ciadaalosmercadosfinancieros semueveconjuntamente enel tiempoatravésdediferentesactivosyentredistin- tos mercados, losanálisis de volatilidades tienensentido siserealizan enuncontextomultivariado.Unaestructura multivariadapermitecontrastarlaexistenciasimultáneade efectos de contagio de la volatilidad entrelos diferentes mercados,elimpactodelosllamadosshocks,innovaciones onoticias,asícomodetodaslasrelacionesquepuedenacon- tecer y ocurrir entre los diferentes mercados financieros (BaillieyBollerslev,1991).
En este sentido, y tal como lo describen Bera y Kim (2002), los modelos de volatilidad multivariada permiten estimardemaneraeficientelascorrelacionesdinámicascru- zadasquepuedenexistirentrelosretornosdeunconjunto deactivos,locualesunfactorcrucialparadefinirelmejor modelodediversificacióndeunportafoliointernacional.
ApartirdelasinvestigacionesytrabajosdeRobertEngle (Engle,1982) relativos al desarrollo de unmodelo ARCH, lamodelaciónypronósticodelavolatilidadasociadaauna seriedetiempohaidoevolucionandodemaneraconstante.
Larelevancia delmodeloARCHsurgedeladirectaasocia- ciónqueexisteentrelavarianzayelriesgo,perotambién deltrade-offexistenteentreel retornodeunactivoysu riesgo asociado. Es de conocimiento común en el mundo financieroel hecho deque unainversión demayor riesgo puedeproducirmayoresretornosqueunainversiónlibrede riesgo.
La gran ventaja asociada al uso de los modelos ARCH reside en que estos capturan muchas de las regularida- des empíricas vinculadas a la volatilidad de los retornos de los activos financieros, como por ejemplo varianzas tiempo-variantes, distribuciones leptocúrticas, volatilidad por conglomerado o clúster, persistencia, asimetría en la volatilidad,fluctuacionesenlosprecios yefectosde apa- lancamientooleverage,entreotras.
De acuerdo a Kasa (1992), en la medida en que los mercados se vuelven más integrados, los efectos de los eventos en uno de ellos se transmiten a los otros, esta- bleciéndose relaciones a largo plazo entre los mercados, productodela existenciadetendencias comunes.Entér- minos econométricos y según Kasa (1992), el número de relacionescointegrantesexistentesentrelosmercadospro- porcionaunaideadelgradodeintegraciónentreellos,es decir,si hayintegraciónplena entremmercadosseespe- raría encontrar n-m relaciones cointegrantes, un menor númeroan-menelcasodeintegraciónparcialyningunasi losmercadosanalizadosestántotalmentefragmentados o parcelados.
Una forma de analizar la interrelación de las volati- lidades de los mercados financieros es mediante el uso demodelosgeneralizadosdeheterocedasticidad condicio- nal autorregresiva (MGARCH), los cuales necesariamente requierenquelamatrizdevarianzas-covarianzasseaposi- tiva.EngleyKroner(1995)proponenelmodeloBEKK4, un modelo alternativo que mediante restricciones reduce el número de parámetros a estimar y garantiza la positivi- dad de la matriz de varianzas-covarianzas. No obstante,
debidoa la pérdidadeinformación y,consecuentemente, de las correlacionesentre los mercados,estas restriccio- nes pueden dificultarla interpretación de losparámetros estimados y la detección de los posibles mecanismos de transmisión ydecontagio dela volatilidadentrelosmer- cados.Paraelcasodeesteestudioydebidoalnúmerode observacionesdiariasdelasquesedispone(5.924retornos diarios),elmodelogeneralizadoMGARCHydecorrelaciones dinámicascondicionadas(DynamicConditionalCorrelation [DCC]) propuesto por Engle(2002) permiteque la matriz de correlacionesvaríe ampliamente en el tiempo, permi- tiendodetectarlaposibleinterrelaciónexistenteentrelos mercados(EngleySheppard,2001).
Deesta manera, las correlaciones dinámicas condicio- nadas (DCC) de los mercadosde accionesson unsíntoma de contagio,especialmente cuandoestasse presentanen unperíodoenelquealgúnmercadoseveafectadoporun shock.Esimportantedestacarqueelanálisisdelaumento enlacorrelacióndelosretornosdelosmercadosdevalo- res, como unindicador decontagio de eventos decrisis, essegúnForbesyRigobon(2002)unateoríaconaltocon- sensoenlaliteraturayenelmundoacadémico.Noobstante, laheterocedasticidadpresenteenestosmodelospuedelle- vararesultadoserróneos.Enefecto,LonginySolnik(2001) demuestran empíricamente que la correlación no solo se incrementaporelaumentodelavolatilidad,sinotambién por la tendenciaque tenga el mercado enese momento.
Específicamente,losautoresmuestranquelosaumentosse dancuandolosmercadosestánalabaja.Además,esimpor- tante destacarqueel análisis decorrelacióndeberecaer, en la medida de lo posible, sobre las correlaciones cam- bianteseneltiempo,yaqueenestudioscomoeldeLongin ySolnik(1995),realizadoparapaísesdesarrollados,seevi- denciaquelas matricesdecovarianzasydecorrelaciones delosretornos soninestableseneltiempo, loque puede sercapturadodemaneraeficienteadoptandounesquema decorrelacióndinámica. Asimismo,LonginySolnik(1995) se˜nalanquelacorrelaciónmuestraaumentosenlosperíodos dealtavolatilidad.
Mediante el análisis de correlaciones de los mercados devaloresparaJapónylosllamadostigresasiáticos,Yang (2005)detectaaumentossignificativosdelacorrelaciónen losperíodosdemayorvolatilidad.Bajoelmismoesquema, Chenetal.(2002)explicanlaexistenciadeunarelacióna largoplazodelosmercadosdecapitalesdeArgentina,Bra- sil,Chile,Colombia,MéxicoyVenezuela,encontrandoque existeunvectorcointegrantequepuedeexplicarladepen- denciadepreciosparaestosmercados,resultantedelaalta interdependenciaentreestos,loqueimplicaqueunshock negativosepropagaportodoslosmercadosdeesospaíses.
Chiangetal.(2007),haciendousodelametodologíaDCC MGARCH multivariado e incluyendo retornos de 9 países, confirmanunefectocontagioenlacrisisasiática.Losauto- resse˜nalanqueesteenfoque analíticopermiteabordarel problemadelaheterocedasticidadsinnecesidaddedividir lamuestradeformaarbitrariacomosese˜nalaenForbesy Rigobon(2002).Enestamismalínea,SyllignakisyKouretas (2011) analizan las correlacionescondicionadas dinámicas paraEuropaCentralydelEste,encontrandoquelacorrela- ciónaumentadeformasignificativadurantelosepisodiosde crisis,loquereflejalaexposicióndeestospaísesashocks externos.
Durante la presente década, Horvath yPoldauf (2012) detectanquelacorrelacióndelosmercadosdevaloresde variospaísesconrespectoaEstadosUnidosaumentódurante lacrisis.Porotraparte,eltrabajodeKotkatvuori-Örnberg et al. (2013) determina que el impacto más significativo entérminos depropagación dela crisis fuelaquiebra de LehmanBrothersocurridael15deseptiembrede2008.
3. Metodología y datos
Elpresenteestudiotieneporobjetocapturarlaevidenciade contagiofinancieroeinterdependenciaentrelasdiferentes seriesfinancierasutilizandoelíndiceStandard&Poor’s500 [S&P500]comoejecentraldeanálisis.Diversosautoreshan hechousodelarepresentaciónDCCdesarrolladaporRobert Engleen2002paraabordareltemadecontagiofinanciero, entrelosqueseencuentran SyllignakisyKouretas (2011), ChiangyDoong(2001),SyllignakisyKouretas(2010)yChiang etal.(2007).
Las representaciones matemáticas de la metodología propuestaincluyenlassiguientesecuaciones:
Ecuacióndelamedia:
rt=+pi
i=1irt−i+2rtS&P500+εt (1)
i=DAX30,IBEX35,CAC40,FTSE100,NIKKEI225ySHANGHAI
Ecuacióndelavarianza:
hii,t=ωi+˛i,1ε2i,t−1+ˇi,1hii,t−1 (2)
Ecuación de correlaciones dinámicas condicionadas (DCC):
qij,t= ¯pij(1−1−2)+2qij,t−1+1i,t−1j,t−1 (3)
ij,t= qij,t
√qii,t√qjj,t (4)
donde1y2sonlosparámetrosquegobiernanladiná- micade las quasicorrelaciones condicionales. Además, 1 y2sonparámetrospositivos ysatisfacen lacondiciónde estacionariedad0≤1+2<1.
En el caso que 1=2=0, el modelo se reduce a uno deltipoDCC MGARCHdecorrelacionescondicionales,que para este estudio resultaser unmodelo extremadamente restrictivodebidoalasposiblesimplicacionesyefectosde contagio que podrían subyacer entre los distintos índices bursátiles. Finalmente,esmuyimportantecorroborarque paracadaunodelosmodelossecumplansimultáneamente lascondiciones1=2 /= 0y0≤1+2<1.Enestainvesti- gaciónseutilizalapruebadeWaldjuntoconelestadístico chi-cuadrado(2)paracorroborarqueambascondicionesse cumplenparacadamodelo.
En general, los modelos MGARCH estimados permiten estudiardiversospatronesdecomportamientodinámicode las series bursátiles para los periodos de tiempo especi- ficado, en este caso del periodo comprendido entre el 2 de enero de 1995 y el 16 abril de 2016. Cada modelo esconstruidomedianteunamatrizdevarianza-covarianza condicionada, una especificación y una distribución de densidad multivariada. Las matrices varianza-covarianza condicionada son aquellas de los modelos VECH, BEKK y
DCC.Estaúltima(DCC)eslamatrizdevarianza-covarianza condicionadaqueseutilizaenelpresenteestudio.Lasespe- cificaciones corresponden a las ya previamente definidas ARCHyGARCH.Respecto delas distribucionesmultivaria- das, están las muy conocidas distribución normal y t de Student.Así,enestainvestigaciónseconstruyen4modelos multivariadosydeestimacióneconométricadistintos,para determinar losefectos que el índice S&P 500 tienesobre otrosactivosbursátiles,rentafijaycommodities,siendolas estructurasdinámicasdelosmodelosMGARCHlossistemas deecuacionesdesarrolladosydefinidosmásarriba.
Finalmente, y como todo modelo de estimación eco- nométrica,el análisis comparativoy deevaluación de los modelosDCCMGARCHsesustentaenestimadoresdebondad deajuste.Específicamente,losestimadoresusadosaquíson ellogaritmodeverosimilitud(LogLikelihood)ylosamplia- mente utilizados criterios deinformación de Akaike (AIC) y bayesiano (BIC). La relevancia de usar estos estimado- res es que proporcionan criterios alternativos para elegir almejormodelodescriptivodelasseries,siempreteniendo presentequelasmatricesdevarianza-covarianzasonsemi- definidas positivas. Adicionalmente, existe otro aspecto relevanterespectodelusodeestoscriterios,yaqueademás proveenelementos que permiten sugerir la existencia de algunospatronesdecomportamientodinámicoconjuntode lasseriesbursátilesbajoanálisis,queparaelpresenteestu- diocorrespondealasseriesamericana,europeayasiática.
En síntesis, los modelos MGARCH son del tipo mul- tivariado dinámico, donde las varianzas y covarianzas condicionalesdeloserroressiguenunaestructuradepro- mediomóvilautorregresivo.Deestaforma,losmodelosdel tipoDCCMGARCH hacenusodecombinacionesno-lineales deGARCHunivariadosconlospesosoponderacionesdelas ecuacionescruzadasdevariacióntemporal,conelobjetode modelarlamatrizcondicionaldecovarianzadeloserrores.
Respectoalosdatos,paraesteestudioseutilizandatos diariosdelíndice S&P500paraevaluarsurelevanciaylos posiblesefectossobreotros índicesbursátiles comolosde Europa(DAX-30,FTSE-100,IBEX-35yCAC-40),Asia(Nikkei- 225yShanghai Composite), instrumentos derenta fijade las principales economías (Bonos Soberanos a 10 a˜nos de EE.UU.,GranBreta˜na,Alemania,Espa˜na,FranciayJapón) y3delosprincipalesíndicesdecommodities(oro,petróleo BrentyCRB)2. Elperiododeanálisis esbastanteextenso, contemplandovaloresentreel2deenerode1995yel16de abrilde2016conuntotalde5.924observaciones.Latabla 1resumelasestadísticasdescriptivasdelosretornosdiarios delasseriesespecificadas.
Todas las series de datos fueron sometidas a pruebas de normalidad usando 4 distintas pruebas (Shapiro-Wilk, Shapiro-Francia,Jarque-BeraySkewness-KurtosisKSTest).
Entodasellas,la hipótesisnuladenormalidad fuerecha- zadaal nivel del1%. Adicionalmente,ycomo estos datos representanseriesdetiempo,todosellosfueronsometidos a3 pruebas deraícesunitarias (Augmented Dickey-Fuller, Phillips-Perrony KPSS [Kwiatkowski, Phillips, Schmidt and
2Creadoen1957,elíndicesecomponedelospreciosfuturosde 19commodities,cadaunaconsupesorelativo,talescomoaluminio, cacao,café,petróleo,oro,trigo,gasolina,gasnatural,plata,maíz yalgodón,entreotras.
Tabla1 Estadísticasdescriptivasdelosretornosdiariosdelasseries
Variable Promedio Desviaciónestándar Mínimo Máximo
S&P500 0,0002552 0,0114892 −0,0946951 0,1095720
DAX-30 0,0002657 0,0143586 −0,0887467 0,1079747
CAC-40 0,0001461 0,0138804 −0,0947154 0,1059459
IBEX-35 0,0001759 0,0141057 −0,0958587 0,1348363
FTSE-100 0,0001228 0,0112029 −0,0926557 0,0938434
BonoUS10Y −0,0002520 0,0175200 −0,1683519 0,1076014
BonoES10Y −0,0003504 0,0147610 −0,1611079 0,2042712
BonoGB10Y −0,0003071 0,0151586 −0,1194097 0,1152168
BonoFR10Y −0,0004865 0,0182614 −0,1704797 0,2930249
BonoGE10Y −0,0006964 0,0314408 −0,3653551 0,5552241
BonoJP10Y −0,0011441 0,0449201 −1,7917590 1,5581450
Oro 0,0001985 0,0101936 −0,0887870 0,1039191
Brent 0,0001685 0,0209695 −0,1443716 0,1289825
CRB 0,0000464 0,0102267 −0,0855572 0,1021286
Shin],1992),noencontrándoseraícesunitariasenninguno deellossalvopara elcaso deloro,razónporla cualesta variableestáintroducidaenlosmodelosenformadeprime- rasdiferencias.
Esimportanteenfatizarquelosdatosestánexpresados enretornosutilizandolasprimerasdiferenciasdellogaritmo naturaly,por lotanto, lapresenciaderaícesunitariases másbiendudosa,aexcepcióndelavariableoro,razónpor lacualseintroduceenelmodeloenprimerasdiferencias.
4. Resultados
Enlatabla 2 semuestran losresultados dela estimación delmodeloDCCMGARCHmultivariado.Elparámetro␥2de laecuacióndelamediaesaltamentesignificativoyrepre- sentalagraninfluenciayelefectoquetieneelS&P500sobre losretornosdelosprincipalesíndicesbursátilesdeEuropa.
Respectoalordendelosrezagos,haymúltiplescriteriosde información,entreestosLL,LR,FPE,AIC,HQICySBIC,que confirmanlainclusiónde1a2rezagoscomomáximoparala ecuacióndelamedia.LoscoeficientesARCHyGARCHdela ecuacióndelavarianzatambiénsonaltamentesignificati- vos,loquecorroboralaespecificacióndelmodeloenelcual
lavarianzadecadaerrorsigueunprocesodeltipoGARCH (1,1).Estaúltimaecuaciónarrojaloscoeficientes␣y,que, sumados,muestranquelapersistenciadelavolatilidades enpromedio0,99paracadaunadelasespecificaciones.
En cuanto a la ecuación de correlaciones dinámicas condicionales DCC, ambos coeficientes 1 y 2 son esta- dísticamente significativos, porlo que se concluye que el comovimientode losretornos escambiante enel tiempo.
Dehecho,estoscoeficientesmuestranquesondistintosde cero, perosusumaesmenor alaunidad, loquedescarta lapresenciaderaícesunitarias,exhibiendounaaltapersis- tenciaenlascorrelacionesconvaloresparalasumadelos coeficientesqueoscilanentre0,995y0,998.
Latabla 3 resume las quasicorrelacionescondicionales entrelosresiduosestandarizadosdelíndice S&P 500ylos índicesdeEuropa,observándoseunaaltacorrelaciónentre estos con valores iguales o superiores a 0,60, como se observaparaelS&P500conelDAX-30deAlemania.
Siguiendolamismametodologíaantesdescrita,losresul- tadosquearroja elmodelo DCC MGARCHparael S&P 500 ylas2principalesbolsasdeAsia(Nikkei-225yShanghai)se resumenenlatabla4.Losresultadosdelmodelogeneralson muysimilaresalosobtenidosparaEuropa,convaloressigni-
Tabla2 ModeloDCCMGARCHS&P500-Europa
CAC-40 DAX-30 IBEX-35 FTSE-100 S&P500
Ecuacióndelamedia
2 0,390(19,64)** 0,338(16,13)** 0,325(15,84)** 0,329(20,51)**
0,001(5,90)** 0,001(7,25)** 0,001(5,97)** 0,001(5,66)** 0,001(7,50)**
Ecuacióndelavarianza
˛ 0,054(9,95)** 0,056(11,38)** 0,062(7,22)** 0,054(11,28)** 0,079(8,58)**
ˇ 0,941(158,22)** 0,938(185,96)** 0,932(96,67)** 0,940(171,27)** 0,909(92,27)**
ω 0,000(5,21)** 0,000(5,76)** 0,000(3,57)** 0,000(5,54)** 0,000(5,14)**
EcuaciónDCC
1 0,013(5,71)**
2 0,982(282,09)**
**p<0,01.
Tabla3 CorrelacionesS&P500-Europa
CAC-40 DAX-30 IBEX-35 FTSE-100 S&P500
CAC-40 1 0,941 0,892 0,894 0,642
DAX-30 0,941 1 0,858 0,859 0,643
IBEX-35 0,892 0,858 1 0,813 0,597
FTSE-100 0,894 0,859 0,813 1 0,622
S&P500 0,642 0,643 0,597 0,622 1
Tabla4 ModeloDCCMGARCHS&P500-Asia Nikkei-225 Shanghai S&P500 Ecuacióndelamedia
2 0,514(24,74)** 0,108(7,08)**
0,000(1,33) 0,000(1,26) 0,001(5,71)**
Ecuacióndelavarianza
˛ 0,084(7,28)** 0,053(4,65)** 0,079(8,20)**
ˇ 0,896(65,31)** 0,944(64,63)** 0,909(87,56)**
ω 0,000(3,82)** 0,000(1,64) 0,000(4,11)**
EcuaciónDCC
1 0,003(1,73)
2 0,995(377,31)**
** p<0,01.
ficativosdelparámetro␥2,asícomodelosparámetrosdela ecuación de varianzay la alta persistencia. Sinembargo, al analizar las quasicorrelaciones condicionales entre los residuosestandarizadosdelíndiceS&P500ylosíndicesde Asiaseobservaunamenorcorrelaciónentreellos,pudiendo deducirsequeel gradodeinfluenciadelS&P 500enestas bolsasesmenoraloobservadoenEuropa(tabla5).
ParaelcasodelS&P500ylosinstrumentosderentafija (BonosSoberanos),elparámetro␥2essignificativoparalos bonosa10a˜nosdeEstadosUnidos,AlemaniayJapónpero nosignificativo para losbonos de Espa˜na, Francia y Gran Breta˜na(tabla6).Tambiénseobservaquelasquasicorrela- cionescondicionales entrelosresiduos estandarizadosdel
Tabla5 CorrelacionesS&P500-Asia
Nikkei-250 Shanghai S&P500
Nikkei-250 1 0,179 0,172
Shanghai 0,179 1 0,072
S&P500 0,172 0,072 1
índice S&P 500 y los instrumentos de renta fija son más biendiscretas comparadas con las quasicorrelaciones que seobservanentrelosbonosdedistintospaíses(tabla7).
Finalmente,parael casodelS&P500ylos3commodi- tiesincluidosenesteestudio(oro,petróleoBrentyCRB), losparámetrosparalaecuacióndelamediaydelavarianza sonaltamentesignificativos,conunapersistenciasimilara ladelosinstrumentosanalizadosanteriormente(tabla8).
Lagrandiferenciaseapreciaenlatabla9,lacualpresenta valoresvisiblementemenoresparaelcasodelasquasicorre- laciones,loquepermiteinferirqueelíndicenotendríagran impactoenelcomportamientodeloscommodities.Comose puedeapreciar,lasquasicorrelacionesnoexcedenavalores cercanosa0,2 paraelpetróleo Brentyel índicede com- moditiesCRB.Enelcasodeloro,lacorrelacióndeestecon elS&P500esprácticamentecero,loquereafirmaelhecho dequeante turbulencias bursátiles, eloroes tal vezuno deloscommoditiesmásrequeridoydemandadocomovalor refugioyestrategiadediversificación.
Tabla6 ModeloDCCMGARCHS&P500-BonosSoberanos
US10Y ES10Y GB10Y FR10Y DE10Y JP10Y S&P500
Ecuacióndelamedia
2 −0,051(2,92)** −0,026(1,91) −0,010(0,68) −0,035(2,73)** −0,030(2,29)* 0,013(0,86)
0,000(0,05) 0,000(1,03) 0,000(0,53) 0,000(0,18) 0,000(0,63) 0,000(1,91) 0,001(5,76)**
Ecuacióndelavarianza
˛ 0,060(11,38)** 0,060(6,35)** 0,044(8,45)** 0,050(7,09)** 0,061(9,25)** 0,074(5,20)** 0,078(8,23)**
ˇ 0,939(187,39)** 0,941(106,25)** 0,954(185,11)** 0,953(134,00)** 0,938(148,09)** 0,922(57,83)** 0,912(92,22)**
ω 0,000(3,65)** 0,000(3,21)** 0,000(3,28)** 0,000(2,44)* 0,000(3,85)** 0,000(2,57)* 0,000(4,23)**
EcuaciónDCC
1 0,018(10,51)**
2 0,978(424,06)**
* p<0,05.
** p<0,01.
Tabla7 CorrelacionesS&P500-BonosSoberanos
US10Y ES10Y GB10Y FR10Y DE10Y JP10Y S&P500
US10Y 1 0,464 0,428 0,443 0,452 0,124 0,081
ES10Y 0,464 1 0,681 0,820 0,876 0,894 0,642
GB10Y 0,428 0,681 1 0,647 0,661 0,135 0,057
FR10Y 0,443 0,820 0,647 1 0,834 0,137 0,642
DE10Y 0,452 0,876 0,661 0,834 1 0,148 0,597
JP10Y 0,078 0,124 0,135 0,137 0,148 1 0,622
S&P500 0,172 0,081 0,057 0,076 0,095 0,038 1
Tabla8 ModeloDCCMGARCHS&P500-Commodities
Oro Brent CRB S&P500
Ecuacióndelamedia
2 0,067(4,43)** 0,074(2,95)** 0,051(4,10)**
0,001(0,15) 0,001(1,18) 0,001(0,63) 0,001(6,07)**
Ecuacióndelavarianza
˛ 0,096(4,48)** 0,042(6,44)** 0,046(3,84)** 0,079(8,51)**
ˇ 0,905(40,67)** 0,95(121,31)** 0,945(73,76)** 0,907(87,76)**
ω 0,000(1,56) 0,000(3,55)** 0,000(3,32)** 0,000(4,38)**
EcuaciónDCC
1 0,014(5,68)**
2 0,980(234,79)**
**p<0,01.
Tabla9 CorrelacionesS&P500-Commodities
ORO BRENT CRB S&P500
Oro 1 0,168 0,246 0,004
Brent 0,168 1 0,755 0,155
CRB 0,246 0,755 1 0,195
S&P500 0,004 0,155 0,195 1
5. Conclusiones
Aplicando la metodología DCC MGARCH, se estimaron las correlacionescruzadasentrelosretornosdiariosdelíndice S&P 500 ylos retornos deactivos financieros delos mer- cados de valores de Europa y Asia. Con ello se observa queparaelperiodo1995-2016existentendenciascomunes entrelosdiferentesactivosfinancieros.Sinlugaradudas, laglobalizaciónhaprovocadounamayorintegraciónenlos diferentesmercadosfinancieros,yesta mayorintegración enlosmercadosdecapitales erosionalosbeneficios dela diversificaciónentrelosdiferentesactivos.
A nivel global, Estados Unidos es la referencia del mercadodadosusvolúmenesypesoentérminosdecapitali- zaciónbursátil,conunarepresentacióndel37,43%**(véase latabla10ylafig.A.1enelAnexo).Contodo,EstadosUni- dosejerceunainfluenciamuy significativasobrelosotros mercadostantoanivelderendimientoscomodevolatilidad.
Enconsecuencia,lavolatilidaddeEstadosUnidosinfluyeen mayormedidaenlavolatilidaddemercadosmáspeque˜nos
debido a su importancia relativa. Asimismo, la madurez delmercadoestadounidensehacequeantecaídasenWall Street,elrestodelosmercadosamplifiquelosposiblesdes- censos del mercado estadounidense, independientemente desiestossonmásomenospronunciados.Porotraparte,y apesardequeChinaexhibeunosaltosvolúmenesdecon- tratación,aúnnoseevidencia unacorrelacióndirectacon losotrosmercadosfinancieros,aunqueparecelógicopensar quesuefectosobrelosactivosdeotraslatitudesserácada vezmáscreciente,amedidaquesuimportanciarelativase incremente.
Comocorolariogeneral,lamayor integraciónentrelos diferentesmercadosfinancierosyactivossubyacentespro- voca un mayor riesgo sistemático en el propio mercado.
LapresenciaimportantedeflujosdecapitalentreEstados UnidosyEuropa,asícomoelhechodetenerunhorariosemi- compartido,conllevaque elaltogradodeintegraciónsea mayorqueenelrestodelosmercadosfinancieros.
El modelo DCC MGARCH también deja en evidencia que los movimientos del S&P 500 están positivamente
correlacionadosconlosíndiceseuropeos.Lascorrelaciones entrelosdiferentesactivosderentavariablesonaltas,del ordende 0,6o superiores, asícomo significativas al nivel del1%.Ampliamentedocumentadohasidoelhechodeque losmercadosdevaloresdetodoelmundoestánaltamente correlacionados, ymás aún enperiodos decrisis, enque los procesos de contagio son mayores (Forbes y Rigobon, 2002).
Los movimientos del S&P 500 también están positiva- mentecorrelacionadosdemanerasignificativaconelNikkei 225 yel índice Shanghai Composite, aun cuando losíndi- ces decorrelaciónson menoresalosresultadosobtenidos entreelS&P500yEuropa.Porotraparte,losresultadospara elS&P 500yelShanghai Compositenomuestranungrado designificaciónsuficienteparadeterminarlaexistenciade correlaciónentreambosíndices.EnAsia,esposiblequelano coincidenciahoraria,conjuntamenteconelmayorpesodela informaciónlocal,evidenciendichadescorrelación(Bekaert etal.,2003).
RespectoalascorrelacionesentreelS&P500ylosacti- vos de renta fija,el índice se correlacionapositivamente conelbonoa10a˜nos,aunqueconunasignificanciamenor.
ElS&P500secorrelacionaenmayormedidaconelbononor- teamericanoa10a˜nosyenmenormedidacon elrestode bonoseuropeosyasiáticos.Unaexplicacióndelaexistencia de esta correlaciónpodría ser el alto gradode globaliza- ciónfinancieraqueseha traducidoenuncicloeconómico máshomogéneo,unavolatilidadmásuniformeenlosmer- cadosfinancieros,asícomounapolíticamonetariaporparte delosgrandesbancoscentralesquepodríaromperlahete- rogeneidaddelospropiosmercadosfinancieros.Asimismo, elmayorgradodecontagiodebeabordarunafuturaarqui- tectura monetaria y financiera más coordinada entre los diferentesbancoscentrales,esdecir,losbancoscentrales debenalinearse ymostrarundiagnóstico máscompartido entreambosparaasípodertenerunaactuaciónmásrápida yeficiente.
En este sentido,la gran liquidez que hanaportado los bancoscentralesalsistemahaprovocadotambiénunadis- torsión a la aversión al riesgo bursátil, ya que esta gran liquidezha generadoquetantolarentafijacomo larenta variablese encuentrenenmáximoshistóricosen aquellos activosdecalidad.
De esta forma, los resultados obtenidos al estudiar la correlación existente entre los diferentes bonos de los distintos Estados muestran que las políticas monetarias ultraexpansivas de los diferentes países han propiciado unainterrelaciónentrelosdiversosbonos.Laglobalización financieraimplicaqueunapartedeldinerocreadoporlos bancoscentralesnacionalesacabefueradesuspropiasfron- teras económicas.Estamayor integraciónrequiereque se realicenmásinvestigacionessobrelasinterrelacionesentre losmercadosafindeidentificarplenamentesusimplicacio- nes.Adicionalmente,tantolasautoridadesnacionalescomo internacionalesdebenacotarunamayorregulaciónpreven- tivaconfuturosriesgosbursátiles.
Eltama˜nodelmercadofinancierosigueincrementándose deunamanerasustancialencomparaciónalcrecimientode laeconomíarealquecrece,peroaunmenorritmo.Tanto eltama˜nodelmercadodelarentavariablecomoeltama˜no dela renta fija,entérminosgenerales, siguenmostrando un ensanchamiento que debe hacer reflexionar sobre la
viabilidaddelsistemaactual3.Enestesentido,losautores deesteestudiocreemosqueelhechodequeeltama˜node losactivosfinancierospermanezcatanalejadoenrelación conlaeconomíarealpuedeserunfactorcontraproducente parapaliarlosfuturosriesgosbursátiles.
Respectoaposiblesrelacionesdecausalidadymediante el uso de modelos devectores autorregresivos(VAR) y la aplicacióndela pruebade Granger,se determinóla exis- tenciaderelacionesdecausalidadentrelosmovimientosdel S&P500ylosbonos.Enefecto,unalza(baja)delS&P500 implicaunefectopositivo(negativo)conelrestodebonos.
Enestesentido,unabajadelS&P500provocaunacaídade larentabilidadenlarentafija.Enconsecuencia,losfondos deinversióneinversionistas entranenmayormedida ala rentafijacomovalorrefugio.
Losresultadosobtenidosconfirmanlaexistenciaderela- ción de causalidad entre los movimientos del S&P 500 y losbonosnorteamericano, británicoy alemán.Coinciden- ciaono,los3bonosobtienenlacalificaciónde«investment grade»conun altogradodevalorrefugio.Enlas siguien- teslíneasdeinvestigaciónsedeberáestudiarsilaspolíticas monetarias ultraexpansivas han provocado que los bajos rendimientosdelosbonos(inclusonegativosparaelBund alemánenjunio2016)pierdansucarácterdevalorrefugio yconjeturenunapercepcióndelriesgoinadecuada.
Enrelaciónconloscommodities,seobservaquehayuna fuertecorrelaciónsignificativaentreellos,peroalahorade verlacorrelaciónexistenteentreelS&P500yelrestode commodities,hayunacorrelaciónsignificativaconelBrenty elCRB,mientrasnosepuedededucirestadísticamenteque existaestacorrelaciónconeloro.Dichacorrelaciónentre las diferentes commodities es significativa en gran parte debidoaquelas materiasprimascomercializadas interna- cionalmente están cotizadas en dólares estadounidenses, porloqueunincrementodelvalordeldólarincrementael valordelamismacantidaddetoneladasy/obarriles.Noobs- tante,nosepuededeterminarquelosgradosdesensibilidad seanigualesparatodaslasmateriasprimas.
Noestádemásagregarqueantesdelaimplementacióny utilizacióndemodelosVARenesteestudio,serealizópara todoslos modelos laprueba de Johansen enniveles, con el objetode descartar la posible presencia decointegra- ciónentrelosdiferentesactivosfinancieros.Losresultados descartanlapresenciadecointegraciónentrelosactivosuti- lizadosenesteanálisis,exceptoparaelcasodelosbonos, razónporlacualseestimaronlas2ecuacionesdevectores decorreccióndelerror(VEC)quearrojólapruebadecoin- tegracióndeJohansen.Tansolodespuésdeestacorrección sepudo implementar la prueba de Grangerpara estable- cerposiblesrelacionesdecausalidadentreelS&P500ylos instrumentosderentafija(bonos).
Agradecimientos
Agradecerlacolaboracióndelosmiembros,AndreaGómez yAlejandroRamon,delserviciodeestudiosdelaBolsade Barcelona.BMEporsusaportacioneseneltrabajodeinves- tigación.
3VeáseStructuralcausesoftheglobalfinancialcrisis:acritical assessmentofthe«newfinancialarchitecture».
Tabla10 Importanciaabsolutayrelativadelosmercadosbursátiles
País Mercado PIB
(millones USD)precios corrientes
Capitalización bursátil (millones USD)
Volumen negociación (millones USD)
Capitalización/
PIB
N.◦de empresas
%enel mundo
EE.UU. NYSE
17.947.000 17.786.787,4 17.477.291,4 99,107% 2.424 37,43
NASDAQ 7.280.752,2 12.515.349,4 40,568% 2.859
China
HKEX
10.982.829
3.184.874 2.125.888,8 28,999% 1.866 9,03
SSEC 4.549.288 21.342.843,3 41,422% 1.081
SHZ 3.638.731,3 19.611.249,9 33,131% 1.746
Japón JEG 4.123.258 4.894.919,1 5.540.696,8 118,715% 3.513 7,73
Alemania Deutsche Borse
3.357.614 1.715.800,5 1.555.549,4 51,102% 619 2,88
ReinoUnido LSE 2.849.345 3.878.774,2 2.651.354,6 136,129% 2.685 5,19
Francia Euronext 2.421.560 3.305.901,4 2.076.722,2 136,519% 1.068 3,04
Espa˜na BME 1.199.715 787.192,3 997.646,4 65,615% 288 1,03
Fuente:elaboraciónpropia.DatosextraídosdeWFEyFMI.
Anexo.
0 10 20 30 40
Participación mundial (%)
Reino Unido Japón
Francia España EE. UU.
China Alemania
FiguraA.1 Importanciarelativadelosmercadosbursátiles.
0 0,0005 0,001 0,0015
Varianza
01jan1995 01jan2000 01jan2005 01jan2010 01jan2015 Varianza (S&P500,DAX30) Varianza (S&P500,CAC40)
Varianza (S&P500,FTSE100) Varianza (S&P500,IBEX35)
Varianza índices Europa vs. S&P500 periodo 1995-2016
FiguraA.2 VarianzadeíndicesdeEuropavs.S&P500.
–0,1 –0,05 0 0,05 0,1 0,15
Retornos
01jan1995 01jan2000 01jan2005 01jan2010 01jan2015 FTSE100
IBEX35
DAX30 CAC40
FiguraA.3 Retornosdelmercadoeuropeo1995-2016.
Bibliografía
Baillie,R.,Bollerslev,T.,1989.Message indailyexchangerates:
Aconditionalvariance tale.JournalofBusinessandEconomic Statistics7,60---68.
Baillie,R.,Bollerslev,T.,1991.Intra-dayandinter-marketvolatility inforeignexchangerates.TheReviewofEconomicStudies58, 565---585.
BekaertG.,HarveyC.R.,NgA.Marketintegrationandcontagion.
NationalBureauofEconomicResearch(NBER),WorkingPaper No.9510,2003.
Bera, A.K., Kim, S., 2002. Testing constancy of correlation and otherspecificationsoftheBGARCHmodelwithanapplication tointernationalequityreturns.JournalofEmpiricalFinance9, 171---195.
Chen,G.M.,Firth,M.,MengRui,O.,2002.Stockmarketlinkages:
EvidencefromLatinAmerica.JournalofBanking&Finance26, 1113---1141.
Chiang,T.C.,Doong,S.C.,2001.Empiricalanalysisofstockreturns andvolatility:EvidencefromsevenAsianstockmarketsbasedon TAR-GARCHmodel.ReviewofQuantitativeFinanceandAccoun- ting17,301---318.
Chiang,T.C.,Jeon,B.N.,Li,H.,2007.Dynamiccorrelationanalysis offinancialcontagion:EvidencefromAsianmarkets.Journalof InternationalMoneyandFinance26,1206---1228.
Diebold, F., Nerlove, M., 1989. The dynamics of exchange rate volatility:AmultivariatelatentfactorARCHmodel.Journalof AppliedEconometrics4,1---21.
Engle,E.,1982.Autoregressiveconditionalheteroskedasticitywith estimatesofthevarianceofUnitedKingdominflation.Econo- metrica50,987---1008.
Engle,R.,Ito,T.,Lin,W.,1990.Meteorshowersorheatwaves?Hete- roskedasticintra-dailyvolatilityintheforeignexchangemarket.
Econometrica58,525---542.
Engle,R.F.,Kroner,K.F.,1995.Multivariatesimultaneousgenerali- zedARCH.EconometricTheory11,122---150.
Engle,R.,2002.Dynamicconditionalcorrelation:Asimpleclassof multivariategeneralizedautoregressiveconditionalheteroske- dasticitymodels.JournalofBusinessandEconomicStatistics20, 339---350.
EngleR.,SheppardK.(2001).Theoreticalandempiricalproperties ofdynamicconditionalcorrelationmultivariateGARCH.Discus- sionPaperNo.15,DepartmentofEconomics,UCSD.
Forbes,K.J., Rigobon,R.,2002. Nocontagion,only interdepen- dence:Measuringstockmarket comovements.TheJournalof Finance57,2223---2261.
Horvath,R.,Poldauf,P.,2012. Internationalstockmarket como- vements: What happened during the financial crisis? Global EconomyJournal12,1---21.
Hsieh,D.,1988.Statisticalpropertiesofdailyexchangerates:1974- 1983.JournalofInternationalEconomics24,129---145.
Hsieh,D.,1989a.Testingfornonlineardependenceindailyforeign exchangerates.TheJournalofBusiness62,339---368.
Hsieh, D., 1989b. Modeling heteroscedasticity in daily foreign exchangerates.JournalofBusinessandEconomicStatistics7, 307---317.
Kasa,K.,1992. Commonstochastictrends ininternationalstock markets.JournalofMonetaryEconomics29,95---124.
Kotkatvuori-Örnberg,J.,Nikkinen,J.,Äijö,J.,2013.Stockmarket correlationsduringthefinancialcrisis of2008-2009:Evidence from50equitymarkets.InternationalReviewofFinancialAnaly- sis28,70---78.
Longin,F.,Solnik,B.,1995.Isthecorrelationininternationalequity returnsconstant:1960-1990?JournalofInternationalMoneyand Finance14,3---26.
Longin,F.,Solnik,B.,2001. Extremecorrelation ofinternational equitymarkets.TheJournalofFinance56,649---676.
Milhøj,A.,1987.Aconditionalvariancemodelfordailydeviations ofanexchangerate.JournalofBusinessandEconomicStatistics 5,99---103.
Syllignakis,M.N., Kouretas,G.P.,2010. German, US and Central andEasternEuropeanstockmarketintegration.OpenEconomies Review21,607---628.
Syllignakis,M.N.,Kouretas,G.P.,2011.Dynamiccorrelationanalysis offinancialcontagion:EvidencefromtheCentralandEastern Europeanmarkets.InternationalReviewofEconomics&Finance 20,717---732.
Vlaar,P., Palm,F.,1993. The messageinweakly exchangerates intheEuropeanmonetarysystem:Meanreversion,conditional heteroscedasticityandjumps.JournalofBusinessandEconomic Statistics11,351---360.
Yang,S.Y.,2005.ADCCanalysisofinternationalstockmarketcorre- lations: The role of Japan on theAsian Four Tigers. Applied FinancialEconomicsLetters1,89---93.